一種基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法
【專利摘要】本發(fā)明提出了一種基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，使用改進(jìn)的自適應(yīng)粒子濾波技術(shù)作為跟蹤算法框架，并且利用分塊稀疏表示模型建立目標(biāo)的觀測(cè)相似度模型，利用自適應(yīng)分塊技術(shù)對(duì)目標(biāo)進(jìn)行分塊，構(gòu)建當(dāng)前目標(biāo)狀態(tài)的結(jié)構(gòu)稀疏直方圖，以計(jì)算當(dāng)前目標(biāo)狀態(tài)的觀測(cè)相似度，利用遮擋檢測(cè)機(jī)制檢測(cè)遮擋，更新目標(biāo)/背景字典模板以及目標(biāo)模板直方圖，以捕獲跟蹤過(guò)程中目標(biāo)的外形改變以及環(huán)境的變化，利用可變方向乘子法解決稀疏表示中的L1優(yōu)化問(wèn)題，提升所述目標(biāo)跟蹤算法的執(zhí)行速度。本發(fā)明對(duì)跟蹤目標(biāo)姿態(tài)變化，環(huán)境光照變化以及遮擋等情況具有很強(qiáng)的魯棒性。
【專利說(shuō)明】一種基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，具體涉及智能監(jiān)控領(lǐng)域，特別涉及一種基于自適應(yīng)粒子濾波和分塊稀疏表示模型的復(fù)雜環(huán)境下的目標(biāo)跟蹤算法。
【背景技術(shù)】
[0002]基于視覺(jué)的目標(biāo)跟蹤技術(shù)在許多計(jì)算機(jī)視覺(jué)應(yīng)用領(lǐng)域，諸如機(jī)器人技術(shù)、視頻監(jiān)控、醫(yī)學(xué)圖像分析等起到重要的作用。盡管在最近幾十年基于視覺(jué)的目標(biāo)跟蹤技術(shù)取得了一定的發(fā)展，但是在一些復(fù)雜的環(huán)境下，譬如有復(fù)雜背景、光照變化劇烈、目標(biāo)外形改變等場(chǎng)合，現(xiàn)有的視覺(jué)跟蹤技術(shù)仍不能很好地完成跟蹤任務(wù)?？紤]到跟蹤任務(wù)的復(fù)雜性，如何設(shè)計(jì)一個(gè)魯棒性較強(qiáng)的跟蹤算法，同時(shí)在實(shí)時(shí)性方面有較好的表現(xiàn)，是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)重要的課題。
[0003]目前常見(jiàn)的視覺(jué)跟蹤算法主要有兩大類:基于創(chuàng)成式的方法和基于分類的方法。基于創(chuàng)成式的跟蹤算法主要通過(guò)尋找下一幀與目標(biāo)相似度最高的區(qū)域進(jìn)行跟蹤，可以使用單外表模型和多外表模型計(jì)算相似度。常見(jiàn)的單外表模型包括使用顏色、紋理以及形狀等信息進(jìn)行描述，顏色外表模型有:RGB直方圖特征，如文獻(xiàn)“Huang，T., Russell,
S..0bject identification in a Bayesian context [C].1nternational JointConferences on Artificial Intelligence, 1997: 1276-1283.，，紋理外表模型有:LBP紋理特征，如文獻(xiàn)“陳遠(yuǎn)，陳鍛生.一種融合LBP紋理特征的多姿態(tài)人臉跟蹤方法[J].華僑大學(xué)學(xué)報(bào)，2010, Vol.31, N0.3.”多外表模型嘗試用多種單外表模型的結(jié)合，以提高模型的魯棒性，如使用HOG顏色特征和LAB紋理特征來(lái)進(jìn)行跟蹤，如文獻(xiàn)“Yang，B.，Lin, G.Y.1ntegration of Lab model and EHOG for human appearance matching across disjointcamera views [J].Journal of Southeast University (English Edition), v 28，n 4，P 422-427，December 2012.” 一些經(jīng)典的基于創(chuàng)成式跟蹤算法主要包括:特征根跟蹤器、均值漂移跟蹤器以及協(xié)方差跟蹤器等。
[0004]基于分類的跟蹤方法將目標(biāo)跟蹤問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)目標(biāo)分類問(wèn)題，通過(guò)將某個(gè)區(qū)域分類為目標(biāo)或背景來(lái)實(shí)現(xiàn)持續(xù)跟蹤。使用分類來(lái)進(jìn)行跟蹤通常涉及到分類器的學(xué)習(xí)，可以通過(guò)監(jiān)督或半監(jiān)督的方式來(lái)學(xué)習(xí)分類器，進(jìn)而進(jìn)行目標(biāo)跟蹤。根據(jù)分類器的不同，常見(jiàn)的基于分類的跟蹤方法包括:使用支持向量機(jī)(SVM)進(jìn)行分類跟蹤，如文獻(xiàn)“S.Avidan.“Support vector tracking，，.IEEE Transactions on Pattern Analysis and MachineIntelligence, 26 (8): 1064-1072, 2004.”使用多示例訓(xùn)練器(MIL)進(jìn)行分類跟蹤，如文獻(xiàn)“S.Avidan.“Support vector tracking，，.IEEE Transactions on Pattern Analysisand Machine Intelligence, 26(8):1064-1072, 2004.”其他常見(jiàn)的訓(xùn)練器還包括稀疏貝葉斯分類器以及P-N學(xué)習(xí)分類器等等。
[0005]稀疏跟蹤算法是近年來(lái)發(fā)展比較迅速的一種新興跟蹤算法，屬于創(chuàng)成式跟蹤方法。由于算法是基于一系列的模板庫(kù)得到的最終結(jié)果，因此對(duì)于光照變化、復(fù)雜環(huán)境以及姿態(tài)改變等都具有較好的魯棒性，如文獻(xiàn)“X.Mei and H.Ling.“Robust visual trackingusing LI minimization，，.12th International Conference on Computer Vision, Kyoto，Japan, 2009(1436-1443).”但是，由于模板庫(kù)往往采用目標(biāo)的整體模板作為特征，因此對(duì)目標(biāo)遮擋的情況處理效果不佳。同時(shí)，在解稀疏系數(shù)時(shí)需要解LI優(yōu)化問(wèn)題，具體解法的計(jì)算量較大，往往影響了算法的實(shí)際使用。
[0006]因此，對(duì)稀疏跟蹤算法進(jìn)行改進(jìn)優(yōu)化，是其在原有的強(qiáng)魯棒性的基礎(chǔ)上，增加對(duì)遮擋情況的處理能力以及提高算法的執(zhí)行速度，具有顯著的現(xiàn)實(shí)意義。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的在于提出一種基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，此方法對(duì)跟蹤目標(biāo)姿態(tài)變化，環(huán) 境光照變化以及遮擋等情況具有很強(qiáng)的魯棒性。
[0008]為解決上述技術(shù)問(wèn)題，本發(fā)明采用的一個(gè)技術(shù)方案是:
提供一種基于自適應(yīng)粒子濾波和稀疏表不的目標(biāo)跟蹤算法，具體為:
使用改進(jìn)的自適應(yīng)粒子濾波技術(shù)作為跟蹤算法框架，利用目標(biāo)的運(yùn)動(dòng)信息來(lái)確定采樣所需要的粒子數(shù)目和采樣范圍；
利用分塊稀疏表示模型建立目標(biāo)的觀測(cè)相似度模型，首先構(gòu)建目標(biāo)/背景字典模板以及目標(biāo)模板直方圖，利用自適應(yīng)分塊技術(shù)對(duì)目標(biāo)進(jìn)行分塊，利用目標(biāo)的分塊信息并且結(jié)合分塊的身份信息以及位置信息，構(gòu)建當(dāng)前目標(biāo)狀態(tài)的結(jié)構(gòu)稀疏直方圖，利用巴氏距離計(jì)算當(dāng)前目標(biāo)狀態(tài)的結(jié)構(gòu)稀疏直方圖和目標(biāo)模板直方圖之間的距離，從而計(jì)算當(dāng)前目標(biāo)狀態(tài)的觀測(cè)相似度；利用遮擋檢測(cè)機(jī)制檢測(cè)遮擋，利用遮擋信息更新目標(biāo)/背景字典模板以及目標(biāo)模板直方圖 ，以捕獲跟蹤過(guò)程中目標(biāo)的外形改變以及環(huán)境的變化。
[0009]在本發(fā)明一個(gè)較佳實(shí)施例中，所述的基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法使用改進(jìn)的自適應(yīng)粒子濾波技術(shù)作為跟蹤算法框架，主要步驟如下:
110)采樣參考點(diǎn)的確定
利用目標(biāo)前一幀的狀態(tài)以及前一幀的預(yù)測(cè)速度得到目標(biāo)當(dāng)前時(shí)刻的采樣參考點(diǎn)，提出的自適應(yīng)運(yùn)動(dòng)模型定義為:
【權(quán)利要求】
1.一種基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，其特征在于，使用改進(jìn)的自適應(yīng)粒子濾波技術(shù)作為跟蹤算法框架，利用目標(biāo)的運(yùn)動(dòng)信息來(lái)確定采樣所需要的粒子數(shù)目和采樣范圍；利用分塊稀疏表示模型建立目標(biāo)的觀測(cè)相似度模型，首先構(gòu)建目標(biāo)/背景字典模板以及目標(biāo)模板直方圖，利用自適應(yīng)分塊技術(shù)對(duì)目標(biāo)進(jìn)行分塊，利用目標(biāo)的分塊信息并且結(jié)合分塊的身份信息以及位置信息，構(gòu)建當(dāng)前目標(biāo)狀態(tài)的結(jié)構(gòu)稀疏直方圖，利用巴氏距離計(jì)算當(dāng)前目標(biāo)狀態(tài)的結(jié)構(gòu)稀疏直方圖和目標(biāo)模板直方圖之間的距離，從而計(jì)算當(dāng)前目標(biāo)狀態(tài)的觀測(cè)相似度；利用遮擋檢測(cè)機(jī)制檢測(cè)遮擋，利用遮擋信息更新目標(biāo)/背景字典模板以及目標(biāo)模板直方圖，以捕獲跟蹤過(guò)程中目標(biāo)的外形改變以及環(huán)境的變化。
2.根據(jù)權(quán)利要求1所述的基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，其特征在于，使用改進(jìn)的自適應(yīng)粒子濾波技術(shù)作為跟蹤算法框架，主要步驟如下:110)采樣參考點(diǎn)的確定利用目標(biāo)前一幀的狀態(tài)以及前一幀的預(yù)測(cè)速度得到目標(biāo)當(dāng)前時(shí)刻的采樣參考點(diǎn)，提出的自適應(yīng)運(yùn)動(dòng)模型定義為:
3.根據(jù)權(quán)利要求1所述的基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，其特征在于，使用自適應(yīng)分塊稀疏表示模型作為目標(biāo)的觀測(cè)模型，主要步驟如下:210)目標(biāo)/背景字典模板的建立根據(jù)第一幀的目標(biāo)信息分別建立目標(biāo)與背景的分塊字典模板:首先手動(dòng)選取目標(biāo)矩形區(qū)域，并將目標(biāo)矩形區(qū)域周圍一定范圍的區(qū)域作為背景區(qū)域，利用滑動(dòng)的小塊分別在目標(biāo)區(qū)域和背景區(qū)域重疊的采樣，并對(duì)采集的樣本進(jìn)行k均值聚類計(jì)算，將各自得到的k個(gè)具有典型性的樣本分別作為目標(biāo)和背景的字典模板，目標(biāo)/背景字典模板在跟蹤過(guò)程中需要不斷地進(jìn)行更新；220)目標(biāo)自適應(yīng)分塊利用目標(biāo)小塊的身份信息對(duì)目標(biāo)進(jìn)行自適應(yīng)分塊:對(duì)于每個(gè)目標(biāo)小塊，利用歐氏距離計(jì)算該目標(biāo)小塊與模板小塊的相似度，挑選出與其最相似的P個(gè)模板小塊，并利用這P個(gè)模板小塊的身份來(lái)判斷該目標(biāo)小塊的身份信息，根據(jù)這P個(gè)模板小塊中目標(biāo)成分和背景成分的多少，將該目標(biāo)小塊歸于目標(biāo)、背景或者不確定狀態(tài)；當(dāng)?shù)玫剿心繕?biāo)小塊的身份信息后，就可以對(duì)目標(biāo)進(jìn)行自適應(yīng)分割，在分割目標(biāo)時(shí)，首先進(jìn)行粗略劃分，分別判斷每個(gè)目標(biāo)小塊的身份，然后依據(jù)所有目標(biāo)小塊的身份信息判斷分割是否有效，分割的有效性Es定義為:
4.根據(jù)權(quán)利要求1所述的基于自適應(yīng)粒子濾波和稀疏表示的目標(biāo)跟蹤算法，其特征在于，利用可變方向乘子法解決稀 疏表示中的LI優(yōu)化問(wèn)題。
【文檔編號(hào)】G06T7/00GK103440645SQ201310357510
【公開(kāi)日】2013年12月11日 申請(qǐng)日期:2013年8月16日 優(yōu)先權(quán)日:2013年8月16日
【發(fā)明者】林國(guó)余, 楊彪, 張為公, 李耀磊, 劉亞群 申請(qǐng)人:東南大學(xué)