本發(fā)明屬于視覺跟蹤領域，涉及一種基于壓縮感知的實時目標跟蹤算法。

背景技術：

目標跟蹤是計算機視覺領域中一個非常熱門的研究課題，原因在于它在車輛導航、交通監(jiān)控和人機交互等方面具有重要的意義。盡管目標跟蹤這個課題被研究了幾十年，許許多多的跟蹤算法被提出，但是它仍然是一個非常具有挑戰(zhàn)性的問題。因為目標外觀受各種因素的干擾，例如，光照變化、姿態(tài)變化、完全或部分遮擋以及突然的運動等等。因此，在上述因素的干擾下，開發(fā)一個高性能跟蹤系統(tǒng)是一個具有挑戰(zhàn)性的問題。

當前，在線跟蹤算法經(jīng)常從最近幀中獲取觀測樣本來更新表觀模型。雖然這樣的算法取得了一定程度上的成功，但是，還有許多問題沒有被解決。第一，這些自適應表觀模型依賴于數(shù)據(jù)，但是，在剛開始的時候并沒有充足的且大量的數(shù)據(jù)供在線跟蹤算法學習，第二，在自學習過程中，一些未校準的樣本會被添加進去，降低表觀模型的性能，所以，在線跟蹤算法經(jīng)常會遇到漂移問題。

那么，為了解決這些問題，本發(fā)明提出了一種基于壓縮感知的實時目標跟蹤算法。在該算法中，表觀模型基于一個來自高維多尺度圖像空間的特征，這樣就彌補了數(shù)據(jù)少的問題。為了降低計算的復雜度，根據(jù)壓縮感知理論，通過一個滿足rip條件的非常稀疏的測量矩陣對高維多尺度圖像特征空間做投影，就可以得到一個低維壓縮子空間，并且還很好地保留了原始高維多尺度圖像特征空間的特征。

技術實現(xiàn)要素：

本發(fā)明提出了一種基于壓縮感知的實時目標跟蹤算法，目的在于克服上述現(xiàn)有技術的不足，得到一種魯棒性高、準確率高的實時目標跟蹤算法。

為了實現(xiàn)上述目的，本發(fā)明的技術方案為：

一種基于壓縮感知的實時目標跟蹤算法，包括以下步驟：

第一步，取第t幀圖像o，將圖像通過下式(1)

gray(o)＝r(o)(1)

從rgb色彩空間映射到灰度值空間，其中r為圖像o的r通道；

第二步，根據(jù)上一幀跟蹤結果在其周圍隨機采樣得到一個樣本集即一個圖像塊集合d^r＝{z|||i(z)-it-1||＜r}，其中，it-1為t-1幀中目標的位置，r為采樣范圍；

第三步，構建一個高維多尺度的圖像特征向量來表示每一個樣本。對于每一個樣本通過將z與一系列多尺度的矩形濾波器進行卷積計算來獲得這個樣本的圖像特征向量，矩形濾波器定義為

其中，i和j分別為矩形濾波器的寬和高。樣本每經(jīng)過一個濾波器濾波后得到一個列向量然后再把這些列向量連接起來構成一個高維多尺度的圖像特征向量其中，m＝(wh)²，且在10⁶～10¹⁰；

第四步，壓縮高維多尺度的圖像特征。基于壓縮感知理論，通過非常稀疏的隨機測量矩陣將高維多尺度的圖像特征向量投影到低維空間中的向量上，即v＝rx。其中，隨機矩陣的定義為

其中，s＝m/4，p為出現(xiàn)1,0，-1的概率。

第五步，通過下式(4)

樸素貝葉斯分類器h(v)對特征向量進行分類，其中，p(y＝1)＝p(y＝0)，且y∈{0,1}是一個二值變量，代表樣本的標簽，i代表一個特征向量中第i個分量。分類器響應值最大值所對應的那個樣本就是跟蹤到的目標，位置記為it。

第六步，基于it，在當前幀中最后一次采樣得到正負樣本集d^α＝{z|||i(z)-it||＜α}和其中在算法中，α＝1，β＝10，并根據(jù)提取正負樣本的低維特征

第七步，利用上步獲得的正負樣本的特征和更新程度參數(shù)λ(λ＝0.85)根據(jù)下式(5)(6)

對參數(shù)進行更新，其中,且n為樣本的個數(shù)。這個方法同樣適用于參數(shù)的更新，之后根據(jù)式(4)對樸素貝葉斯分類器進行更新；

第八步，輸出第t幀跟蹤到的目標位置it和更新后的分類器參數(shù)。

本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，通過樣本與多尺度矩形濾波器作卷積運算獲得一個高維多尺度的圖像特征來擴充數(shù)據(jù)(樣本)，避免出現(xiàn)沒有充足的且大量的數(shù)據(jù)供在線跟蹤算法學習的問題。另外，根據(jù)壓縮感知理論，通過一個滿足rip條件的非常稀疏的測量矩陣對高維多尺度圖像特征做投影，就可以得到一個低維壓縮特征，這樣可以有效地降低計算的復雜程度。該算法不僅在各種干擾因素下具有魯棒性和準確性，而且處理圖像的平均速度達到每秒35幀，達到實時性的要求。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

具體實施方式

下面結合附圖對本發(fā)明的實施方式進行詳細說明，并給出了詳細的實施方式和具體的操作過程。

實驗平臺為win10，實驗環(huán)境為matlabr2012a。實現(xiàn)本發(fā)明的具體步驟為：

第一步，取第t幀圖像o，將圖像通過下式(1)

gray(o)＝r(o)(1)

從rgb色彩空間映射到灰度值空間，其中r為圖像o的r通道；

第二步，根據(jù)上一幀跟蹤結果在其周圍隨機采樣得到一個樣本集即一個圖像塊集合d^r＝{z|||i(z)-it-1||＜r}，其中，it-1為t-1幀中目標的位置，r為采樣范圍；

第三步，構建一個高維多尺度的圖像特征向量來表示每一個樣本。對于每一個樣本通過將z與一系列多尺度的矩形濾波器進行卷積計算來獲得這個樣本的圖像特征向量，矩形濾波器定義為

其中，i和j分別為矩形濾波器的寬和高。樣本每經(jīng)過一個濾波器濾波后得到一個列向量然后再把這些列向量連接起來構成一個高維多尺度的圖像特征向量其中，m＝(wh)²，且在10⁶～10¹⁰；

第四步，壓縮高維多尺度的圖像特征。基于壓縮感知理論，通過非常稀疏的隨機測量矩陣將高維多尺度的圖像特征向量投影到低維空間中的向量上，即v＝rx。其中，隨機矩陣的定義為

其中，s＝m/4，p為出現(xiàn)1,0，-1的概率。

第五步，通過下式(4)

樸素貝葉斯分類器h(v)對特征向量進行分類，其中，p(y＝1)＝p(y＝0)，且y∈{0,1}是一個二值變量，代表樣本的標簽，i代表一個特征向量中第i個分量。分類器響應值最大值所對應的那個樣本就是跟蹤到的目標，位置記為it。

第六步，基于it，在當前幀中最后一次采樣得到正負樣本集d^α＝{z|||i(z)-it||＜α}和其中在算法中，α＝1，β＝10，并根據(jù)提取正負樣本的低維特征

第七步，利用上步獲得的正負樣本的特征和更新程度參數(shù)λ(λ＝0.85)根據(jù)下式(5)(6)

對參數(shù)進行更新，其中,且n為樣本的個數(shù)。這個方法同樣適用于參數(shù)的更新，之后根據(jù)式(4)對樸素貝葉斯分類器進行更新；

第八步，輸出第t幀跟蹤到的目標位置it和更新后的分類器參數(shù)。

通過計時器測得處理圖像的平均速度達到每秒35幀，達到實時性的要求。