基于正則化模板與重建誤差分解的快速目標跟蹤方法
【專利摘要】本發(fā)明公開了一種基于正則化模板和重建誤差分解的快速目標跟蹤方法,其特征是如下步驟進行:將常用的目標模板集合進行正則化,消除模板之間冗余性,提升模板的抗干擾能力和對目標的重建能力;并將重建誤差進行分解,分別使用L2范數(shù)和L0范數(shù)對兩個不同性質(zhì)的重建誤差分量進行建模,構(gòu)建目標與正則化模板集合的距離作為選擇最佳目標的依據(jù),提升了跟蹤方法的魯棒性和準確度;同時,采用增量PCA學習方法對正則化模板集合進行更新。本發(fā)明提高了線性目標表示模型對目標的重建能力,且將跟蹤速度提升到接近實時水平,從而能夠適用于工程應用。
【專利說明】 基于正則化模板與重建誤差分解的快速目標跟蹤方法
【技術(shù)領域】
[0001]本發(fā)明屬于圖像處理、模式識別【技術(shù)領域】,主要涉及一種基于正則化模板與重建誤差分解的快速單目標視覺跟蹤方法。
【背景技術(shù)】
[0002]視覺目標跟蹤是一種智能視頻分析方法,其目的就是要對用戶感興趣的目標進行持續(xù)不間斷地跟蹤,是計算機視覺領域熱門研究課題之一。目標跟蹤可以應用于智能視頻監(jiān)控、異常行為分析、運動事件檢測等方面。公安技術(shù)人員利用目標跟蹤方法可以對攝像頭中出現(xiàn)的可疑人員進行跟蹤和識別,協(xié)助偵破案件。
[0003]視覺目標跟蹤的研究已超過二十年,然而目標在跟蹤過程中經(jīng)常面臨的尺度變化、光照變化、遮擋以及形變等復雜問題一直困擾著目標跟蹤研究者們,研究者們通常會設計復雜的數(shù)學方法去解決上述干擾問題,但是復雜的數(shù)學方法通常又增加了目標跟蹤方法的計算復雜度,導致目標跟蹤方法在跟蹤目標時速度很慢,不利于目標跟蹤方法的工程推廣。例如,2011年,Mei Xue等研究者在頂級國際期刊IEEE Transaction on PatternAnalysis and Machine Intelligence 上發(fā)表的文章《Robust Visual Tracking andVehicle Classification via Sparse Representation》中提出一種目標跟蹤方法,該方法采用目標模板集和瑣碎模板對目標進行稀疏表示,利用L1正則化對目標表示模型進行求解,并假設重建誤差服從高斯分布,使用重建誤差均方最小準則作為選擇跟蹤目標的依據(jù)。但是這種方法的不足之處有:
[0004](I)、該方法所用目標模板集合中目標模板之間是互相相關(guān)的,包含大量冗余信息,無法很有效地對跟蹤目標進行重建;
[0005](2)、在視頻的每一幀,該方法都需要求解數(shù)百次的L1正則化,求解L1正則化耗費了大量的時間;
[0006](3)、在現(xiàn)實跟蹤場景中,當目標受到遮擋等干擾時,重建誤差并不服從高斯分布,所以該方法在跟蹤時往往會出現(xiàn)跟蹤“漂移”等問題。實際上,重建誤差中包含兩種分量:一種為類似弱光線變化等引起的高斯噪聲,這種噪聲是一直存在的,且幅值一般較?。涣硪环N是由遮擋等較嚴重干擾造成的殘差分量,這部分分量往往包含一些幅值較大的異常點。兩種分量需要區(qū)別對待,分別建模。
[0007]Mei Xue所提出的這種目標跟蹤方法是近幾年來目標跟蹤代表性方法之一,受到廣泛關(guān)注。但是,從工程應用的角度來看,Mei Xue所提出的目標跟蹤方法實用性較低。到目前為止,目標跟蹤研究領域內(nèi)依然沒有出現(xiàn)一種跟蹤準確度高、運算速度快、可以工程應用的目標跟蹤方法。
【發(fā)明內(nèi)容】
[0008]本發(fā)明旨在解決當前多數(shù)目標跟蹤方法對目標重建能力低,而且時效性低下的問題,提出了 一種基于正則化模板和重建誤差分解的快速目標跟蹤方法,提高了線性目標表示模型對目標的重建能力,且將跟蹤速度提升到接近實時水平,從而能夠適用于工程應用。
[0009]本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案:
[0010]本發(fā)明一種基于正則化模板和重建誤差分解的快速目標跟蹤方法的特點是如下步驟進行:
[0011]步驟1、初始化階段:
[0012]步驟1.1、對輸入的視頻圖像的第I幀圖像進行人工標記,獲得跟蹤目標的狀態(tài)向量X1和觀測向量Y1 ;
[0013]所述狀態(tài)向量X1= (x1; Y1, Θ 1; S1, Ct1, Φ) ,X1和Y1分別表示所述跟蹤目標在第I幀圖像中的水平方向的坐標和豎直方向的坐標;Θ 1、Sl、a JP Ct1分別表示所述跟蹤目標在第I幀圖像中的旋轉(zhuǎn)角度、尺度、高寬比率和斜切方向;所述觀測向量yi = (Y1, y2)…,yd)T為所述跟蹤目標的圖像特征向量;d表示所述觀測向量的維數(shù);
[0014]步驟1.2、利用經(jīng)典粒子濾波跟蹤方法對所述第2幀圖像到第F幀圖像進行目標跟蹤,F≥3 ;獲得前F幀圖像的跟蹤目標的狀態(tài)向量集合X = [X1, X2,…,xF]和目標模板集合
Y= [yi, ι2,…,yF];
[0015]步驟1.3、利用奇異值分解方法對所述目標模板集合Y進行正則化處理,獲得初始正則化模板集合Uf = [u1; U2,…,uk, uF], Uf中任一個基向量uk = (u1; U1,…,ud)T, k =
1,2,..., F ;并獲得均值向量為
【權(quán)利要求】
1.一種基于正則化模板和重建誤差分解的快速目標跟蹤方法,其特征是如下步驟進行: 步驟1、初始化階段: 步驟1.1、對輸入的視頻圖像的第I幀圖像進行人工標記,獲得跟蹤目標的狀態(tài)向量X1和觀測向量Y1; 所述狀態(tài)向量X1= (Χι, Υι, θ I, S1, Ct1, (J)1) ,X1和Y1分別表示所述跟蹤目標在第I幀圖像中的水平方向的坐標和豎直方向的坐標;Θ 1、Sl、a i和Ct1分別表示所述跟蹤目標在第I幀圖像中的旋轉(zhuǎn)角度、尺度、高寬比率和斜切方向;所述觀測向量Y1 =述跟蹤目標的圖像特征向量;d表示所述觀測向量的維數(shù); 步驟1.2、利用經(jīng)典粒子濾波跟蹤方法對所述第2幀圖像到第F幀圖像進行目標跟蹤,F(xiàn) ^ 3 ;獲得前F幀圖像的跟蹤目標的狀態(tài)向量集合X = [X1, X2,…,xF]和目標模板集合Y=[yi, ι2,…,yF]; 步驟1.3、利用奇異值分解方法對所述目標模板集合Y進行正則化處理,獲得初始正則化模板集合 Uf = [u1; U2,, uk, Uf] , Uf 中任一個基向量 uk = (u1; U1,…,ud)T, k = 1,2,…,F(xiàn) ;并獲得均值向量為
【文檔編號】G06T3/40GK103955951SQ201410196605
【公開日】2014年7月30日 申請日期:2014年5月9日 優(yōu)先權(quán)日:2014年5月9日
【發(fā)明者】汪萌, 齊美彬, 李炳南, 洪日昌, 蔣建國, 楊勛 申請人:合肥工業(yè)大學