[发明专利]一种多模板时空关联的局部反联合稀疏表示目标跟踪方法

摘要

一种多模板时空关联的局部反联合稀疏目标跟踪方法，属于机器视觉和模式识别领域，旨在挖掘不同模板间的时空关联信息，解决复杂场景下的目标跟踪问题，降低计算复杂度。在粒子滤波框架下，采集候选目标及划分局部图像块，用以构造过完备字典；进行目标模板样本集的初始化及更新，并按获取的帧号对各个模板进行标号；建立时序权重矩阵，作为引导稀疏表示的时序先验信息；利用字典对目标模板集中的所有样本进行加权联合稀疏表示，并将目标函数中的联合稀疏约束项替换为含参数高斯函数进行优化问题求解，得到稀疏表示系数矩阵；根据系数矩阵中非零元素分布的行连续性及权值大小，得到候选目标的重要性打分，从而实现稳定的目标跟踪。

主权项

1.一种多模板时空关联的局部反联合稀疏表示目标跟踪方法，其特征在于，所述方法包括以下步骤：步骤1：对每一帧输入图像中目标的状态进行手动标定，得到每一帧图像的目标模板t^m(x，y，m)，依次对M帧输入图像进行手动标定，得到目标模板集x与y表示坐标，s表示目标的状态，M表示目标模板个数，m表示目标模板序号，即时序标号，m∈[1，M]；步骤2：根据目标模板集中第M个目标模板的状态，利用目标的运动模型对第c帧图像进行粒子采样，获取N个候选目标fⁿ(x，y)，形成候选目标集c为需要进行目标跟踪的当前帧，N表示候选目标总个数，n表示候选目标的序号，n∈[1，N]；其中第c帧的状态利用运动模型进行更新，采用的公式如下：式中，{x_M，y_M，θ_M，s_M，α_M，φ_M}表示第M个目标模板的状态，{x_c，y_c，θ_c，s_c，α_c，φ_c}表示第c帧目标的状态，grand是一组满足高斯分布的随机数(0‑1)，{Δx，Δy，Δθ，Δs，Δα，Δφ}表示目标状态的变化幅度；步骤3：将每一个候选目标fⁿ(x，y)划分为K个图像块，得到候选目标局部图像块N个候选目标局部图像块构成候选目标局部图像块集采用相同方式将每一个目标模板t^m(x，y，m)划分为K个图像块，得到目标模板局部图像块M个标模板局部图像块构成目标模板局部图像块集k表示图像块的序号，K表示图像块的个数，k∈[1，K]；步骤4：根据目标模板局部图像块与候选目标局部图像块的余弦距离及目标模板对应的时序标号m计算时序权重矩阵其中计算时序权重矩阵的公式为：式中，为第n个候选目标的第k个图像块，为第m个目标模板的第k个图像块，δ表示归一化常数；步骤5：将候选目标局部图像块集中k值相同的图像块提取出来，将图像块根据像素点排列位置按列展开得到列向量，构成一系列子字典D_k；将目标模板局部图像块集中k值相同的图像块提取出来，将图像块根据像素点排列位置按列展开得到列向量，构成局部目标模板样本集T_k；步骤6：利用子字典D_k、局部目标模板样本集T_k和时序权重矩阵构建目标函数，即局部加权反联合稀疏表示模型，将目标函数中的l_0，2范数约束用含参数高斯函数F_σ(X)替换为平滑l_0，2范数项进行优化求解，得到稀疏表示系数矩阵其中目标函数为：式中，W表示时序权重矩阵由[W₁，W₂，...，W_k]构成，其中W_k表示对第k个目标模板图像块集进行加权反联合稀疏表示时对应的时序权重矩阵，D_k表示子字典，T_k表示局部目标模板样本集，X为稀疏表示系数矩阵由[X₁，X₂，...，X_k]构成，其中X_k表示不同目标模板中k值相同的图像块构成的表示系数矩阵，表示对W和X做哈达玛乘积运算，ε表示的是误差上限值；式中，约束项定义为：其中l_0，2范数约束定义为：将l_0，2范数约束替换为平滑l_0，2范数项进行优化求解所采用的含参数高斯函数F_σ(X)为：其中，式中，σ表示高斯函数方差，i∈[1，N]表示每个稀疏表示系数矩阵的行号，该含参数高斯函数F_σ(X)实现对稀疏表示系数矩阵中非零行向量的计数，从而将非平滑非凸问题的目标函数求解转化为平滑问题求解，降低计算复杂度；步骤7：利用稀疏系数矩阵得到候选目标fⁿ(x，y)的贡献指示性值筛选出重要候选目标集r表示重要候选目标的个数，th表示将候选目标放入重要候选目标集后的序号th∈[1，r]，IP(th)表示选出的重要候选目标的序号IP(th)∈[1，N]；其中重要候选目标集选择的具体步骤如下：步骤71.将稀疏表示系数矩阵中的表示系数矩阵X_k映射为候选目标中局部图像块的贡献指示值I_k，采用公式如下：式中，TH为自适应阈值；将||X_k[i，：]||₂，i∈[1，N]按从大到小顺序排序，计算累计能量分布，能量值到达90％时对应的||X_k[i，：]||₂的数值大小即为TH的取值；步骤72.将同一候选目标的局部图像块对应的贡献指示值I_k相加，得到各个候选目标的贡献值步骤73.将前r个贡献值最大的候选目标放入重要候选目标集中，其余删除，式中th表示将候选目标放入重要候选目标集后的序号th∈[1，r]，IP(th)表示选出的重要候选目标的序号IP(th)∈[1，N]，r表示重要候选目标的个数；步骤8：对重要候选目标集中重要候选目标的状态s_IP(i)进行加权打分，决定最终的跟踪结果步骤9：更新目标模板，重复上述步骤进行第c+1帧图像的跟踪。