[发明专利]基于局部稀疏和时空上下文信息的航拍视频目标跟踪方法

摘要

本发明涉及一种基于局部稀疏和时空上下文信息的航拍视频目标跟踪方法，在目标外观变化、遮挡以及快速运动时能够取得鲁棒的跟踪结果。本发明在稀疏表示和粒子滤波的框架下，采用局部块构造字典，以捕获目标的局部和结构信息。使用目标的空间上下文信息得到目标在其邻域内出现的置信图，也即目标出现在各个位置的可能性大小。在目标出现可能性较大的区域进行粒子滤波，采用稀疏表示方法得到跟踪结果。本发明能够对目标进行快速准确定位，较好地解决目标丢失或漂移问题，实现复杂背景下航拍视频目标的快速鲁棒跟踪。

主权项

一种基于局部稀疏和时空上下文信息的航拍视频目标跟踪方法，其特征在于步骤如下：步骤1：读取第一帧图像数据以及目标块在第一帧图像中的参数[xm,ym,w,h]，其中：xm,ym表示目标中心的横纵坐标，w,h表示目标的宽和高；步骤2、构造用于稀疏表示的字典D：在第一帧目标周围根据高斯分布随机产生n个目标模板，并将每个目标模板归一化为M×N的标准图像块z∈RM×N；使用一个滑动窗在模板上扫描提取出m个局部块，并将它们按顺序排列起来，字典D是由以上n个目标模板构成：D＝[D1,D2,…,Dn,E]，其中，E是琐碎模板，Di＝[di,1,di,2,…,di,m]其中Di是字典中的第i个模板，di,j代表的第i个模板中的第j块；步骤3、构建目标的空间上下文模型：定义空间上下文模型为其中I(·)为某像素的灰度值，ωσ(·)为一个高斯函数，I(x)ωσ(x‑x′)表示了目标的空间上下文先验信息，x′＝(xm,ym)为目标当前位置的坐标，b为归一化常数，其取值范围为0到1；α，β用于控制模型的经验常数，取值分别为2.25和1，衡量了目标出现在各个位置的可能性大小，和分别为傅里叶变化和傅里叶反变换；自以下步骤4进入读取每一帧的循环处理步骤：步骤4：若为第一帧图像，则目标的置信图否则根据空间上下文模型，目标的置信图表示为：m(x)=hsc(x)⊗(I(x)ωσ(x-x′))]]>式中：代表卷积计算。根据目标的置信图m(x)，以其值最大的位置为中心，按照高斯分布进行采样，即按照分布p(xk|xk‑1)＝N(xk‑1；x,Σ)随机产生N个粒子点，N取600；并记录其坐标p＝(xpi,ypi)，i＝1,2,…,N，每个粒子代表一个候选目标区域，其中其中6个参数分别依次表示：水平伸缩量、水平形变量、垂直形变量、垂直伸缩量、水平位移量、垂直位移量；步骤5、稀疏表示求解：对每个粒子代表的候选目标Y，按照构造字典的方式，首先将其归一化到标准尺寸32*32，然后对其采用与步骤2相同的方式提取局部块信息。那么候选目标Y可以被字典D和对应的稀疏表示系数α表示为：Y≈[D1,D2,…,Dn,E][α1,α2,…,αn,e]＝D·α而稀疏表示系数α由下式通过计算得到：α＝arg min||Y‑D·α||2+λ·||α1式中正则化系数λ＝0.01；所述稀疏表示系数α＝[α1,α2,…,αn]T，αi表示第i个模板和琐碎模板对应的表示系数，而目标模板已被分成若干局部区域，再用αi,j表示第i个候选目标第j块对应的表示系数，而ei则为琐碎模板对应的表示系数，从而又有αi＝[αi,1,αi,2,…,αi,m,ei]T；步骤6：将对应位置的表示系数求和，从而得到：再将ci中的对角线元素取出按顺序排列形成列向量fi；步骤7：计算每个粒子的置信度，其置信度最高的粒子为跟踪结果；其中，粒子的置信度采用稀疏表示系数来衡量，定义为步骤8、字典更新：当跟踪到的目标其置信度低于某个阈值μ＝10，便替换掉字典中的一个模板；以第一帧中手动标定的目标模板作为固定模板，不被替换；然后，产生一个序列S＝{0,21,22,…,2n‑1}，n是字典中目标模板的数目，该序列被归一化后，得到一个累积的概率序列：Lp={0,21-12n-1-1,22-12n-1-1,...,1}]]>该累积序列代表了每个模板被替换的概率；然后，产生一个在区间[0,1]上均匀随机数r，那么r位于Lp的区间数，即要被替换的模板的序号；步骤9：判断是否处理完图像序列的所有帧，若没有，则转到步骤4继续；若处理完，则结束。