一種基于稀疏表示的視覺目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及智能監(jiān)控領(lǐng)域，特別涉及一種基于稀疏表 示的視覺目標(biāo)跟蹤。
【背景技術(shù)】
[0002] 基于視覺的目標(biāo)跟蹤技術(shù)（一般是指基于視頻或者是圖像序列的目標(biāo)跟蹤），是 在一系列的圖像中對目標(biāo)物體進(jìn)行檢測、提取、識別和跟蹤，從而獲得目標(biāo)物體的相關(guān)參 數(shù)，如位置、速度、尺度、軌跡等；進(jìn)一步根據(jù)跟蹤結(jié)果進(jìn)行處理和分析，實(shí)現(xiàn)對目標(biāo)物體的 行為理解，或者完成更高一級的任務(wù)。這是一個(gè)迅猛崛起的熱點(diǎn)領(lǐng)域，屬于計(jì)算機(jī)視覺領(lǐng)域 的研宄范疇，具有廣泛的應(yīng)用前景和科學(xué)研宄價(jià)值。經(jīng)過近二三十年的發(fā)展過程，國內(nèi)外已 經(jīng)出現(xiàn)了各種跟蹤算法，包括一些經(jīng)典的算法以及基于這些算法的創(chuàng)新性算法。
[0003] 根據(jù)跟蹤算法的原理與技術(shù)不同，可以將這些跟蹤算法分為判決模型的跟蹤 方法和生成模型的跟蹤方法?；谂袥Q模型的跟蹤算法將跟蹤問題看成是分類問題，尤 其在單目標(biāo)跟蹤中，將跟蹤問題看成是二分類問題，比較經(jīng)典的分類器有SVM(Supp 〇rt Vector Machine)分類器，Adaboost的分類器。最近較為流行的基于分類器的算法有CSK， Struct，CT等算法。對于基于生成模型的跟蹤算法而言，跟蹤的目的是在鄰域內(nèi)尋找到與目 標(biāo)相似度最大的區(qū)域，實(shí)際上是尋找與目標(biāo)相似度函數(shù)最大的區(qū)域，即最優(yōu)化估計(jì)目標(biāo)的 狀態(tài)，其中比較有效的經(jīng)典算法有卡爾曼濾波、粒子濾波，最近較為流行的有MTT，LSK等算 法。
[0004] 稀疏跟蹤算法是近年來發(fā)展比較迅速的一種新興跟蹤算法，屬于生成模型的跟蹤 方法。由于算法是基于一系列的模板庫得到的最終結(jié)果，因此對于光照變化、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 tracking CN 103440645A using Llminimization"·12th International Conference on Computer Vision，Kyoto, Japan，2009 (1436-1443). "但是，由于模板庫往往采用目標(biāo)的整體模板作為 特征，因此對目標(biāo)遮擋的情況處理效果不佳。
[0005] 上述算法大多能夠在簡單的場景中進(jìn)行魯棒的實(shí)時(shí)跟蹤。但在不受限制的日常視 頻中跟蹤目標(biāo)仍然是一個(gè)重大挑戰(zhàn)。光照、尺寸變化、遮擋、目標(biāo)旋轉(zhuǎn)、復(fù)雜背景等都是帶來 困難的因素。因此，如何設(shè)計(jì)一個(gè)魯棒性較強(qiáng)的跟蹤算法，能夠在條件較為苛刻的情況下獲 得較好的表現(xiàn)，是計(jì)算機(jī)視覺領(lǐng)域一個(gè)重要的課題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提出了一種基于稀疏表示的視覺跟蹤算法，對跟蹤目標(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，且能改善對目標(biāo)遮擋的情況處理效果。
[0007] 本發(fā)明包括兩個(gè)部分，首先構(gòu)造用于跟蹤目標(biāo)的判決字典D、匹配字典A和灰度矩 陣T，然后在當(dāng)前幀中基于判決字典D、匹配字典A和灰度矩陣T在候選圖像中查找與跟蹤 目標(biāo)最相似的候選圖像，確定當(dāng)前所跟蹤目標(biāo)的目標(biāo)圖像，其具體過程為：
[0008] 步驟I :確定初始化圖像并確定所述初始化圖像的目標(biāo)圖像，在該步驟中個(gè)，通常 取視頻或者是圖像序列的第一幀圖像為初始化圖像，并確定初始化圖像的目標(biāo)圖像（矩形 圖像塊），即目標(biāo)模板，可根據(jù)初始化圖像手動(dòng)給定的初始化位置得到目標(biāo)圖像（目標(biāo)大 小、在圖像中的位置坐標(biāo)）。
[0009] 步驟2 :基于當(dāng)前目標(biāo)圖像生成判決字典D、匹配字典A和目標(biāo)模板灰度矩陣T :
[0010] 在初始化圖像中，確定距離目標(biāo)圖像中心Pl (預(yù)設(shè)值，具體值根據(jù)不同的處理環(huán) 境根據(jù)經(jīng)驗(yàn)設(shè)定，通常設(shè)置為1~10)個(gè)像素點(diǎn)的矩形區(qū)域?yàn)榍熬澳０宓牟蓸訁^(qū)域，確定距 離目標(biāo)圖像中心P2 (預(yù)設(shè)值，且P2大于P1，具體值根據(jù)不同的處理環(huán)境根據(jù)經(jīng)驗(yàn)設(shè)定，通 常設(shè)置P2與Pl的差值為1~5)個(gè)像素點(diǎn)的矩形區(qū)域與前景模板的采樣區(qū)域的空集為背 景模板的采樣區(qū)域（即圍繞著前景模板的采樣區(qū)域的回字形區(qū)域）；對前景模板的采樣區(qū) 域進(jìn)行隨機(jī)采樣，并選擇N p (預(yù)設(shè)值，具體值根據(jù)不同的處理環(huán)境根據(jù)經(jīng)驗(yàn)設(shè)定，通常取值 為[3060])個(gè)與目標(biāo)圖像大小相等的采樣圖像作為前景模板D+;對背景模板的采樣區(qū)域進(jìn) 行隨機(jī)采樣，并選擇凡（預(yù)設(shè)值，具體值根據(jù)不同的處理環(huán)境根據(jù)經(jīng)驗(yàn)設(shè)定，通常取值設(shè)置 為[200300])個(gè)與目標(biāo)圖像大小相等的采樣圖像作為背景模板D_，由前景模板D+和背景模 板D_構(gòu)成判決字典D ;
[0011] 基于預(yù)設(shè)的矩形滑動(dòng)窗（尺寸為w*h，其寬w、高h(yuǎn)的取值為預(yù)設(shè)值，具體值根據(jù)不 同的處理環(huán)境根據(jù)經(jīng)驗(yàn)設(shè)定，通?？苫谀繕?biāo)圖像大小進(jìn)行設(shè)置，例如w可以設(shè)置為目標(biāo) 圖像寬度的1/8, 1/16,1/32, 1/64等，h可以設(shè)置為目標(biāo)圖像高度的1/8, 1/16,1/32, 1/64 等），在目標(biāo)圖像上進(jìn)行左、右、上、下滑動(dòng)采樣，且左右采樣間隔相同，上下采樣間隔相同 (通常為可設(shè)置為w/2,上下采樣間隔可設(shè)置為h/2,當(dāng)然也可以進(jìn)行其他設(shè)置例如w/4，h/4 等，取決于計(jì)算的精細(xì)度要求），得到目標(biāo)圖像的碎片集，并基于K均值聚類方法從所述碎 片集中選取K個(gè)碎片（K個(gè)具有代表性的碎片），由K個(gè)碎片構(gòu)成訓(xùn)練集并得到匹配字典A， 其中K是K均值聚類方法的泛稱，為預(yù)設(shè)值，具體值根據(jù)不同的處理環(huán)境根據(jù)經(jīng)驗(yàn)設(shè)定，通 常取值范圍為[50 100]，下文描述的K均值聚類方法計(jì)算時(shí)，K的取值可以設(shè)置各不相同的 取值，通常通常取值范圍為[50 100];設(shè)置用于存放目標(biāo)圖像的碎片集的各碎片的灰度值 的灰度矩陣T，所述灰度矩陣T中各碎片的灰度值為：碎片的各點(diǎn)像素值的累加和。
[0012] 步驟3 :基于構(gòu)建好的判決字典D、匹配字典A和灰度矩陣T，確定初始化圖像的各 后續(xù)幀圖像的目標(biāo)位置，即對非第一幀圖像進(jìn)行目標(biāo)跟蹤處理：
[0013] 301 :候選粒子的采樣及候選粒子的預(yù)預(yù)選取
[0014] 首先是候選粒子的采樣：對當(dāng)前幀圖像進(jìn)行采樣（本處理過程直接基于慣用技術(shù) 完成即可，本發(fā)明不作限定，通?？梢杂昧Ｗ訛V波方式完成采樣，采樣的粒子數(shù)量具體依實(shí) 際情況而定，一般可選擇500左右），得到第一候選圖像樣本集，然后基于K均值聚類從第一 候選樣本集中選取K個(gè)聚類中心，并計(jì)算每個(gè)聚類中心的置信值H。：
[0015] 基于公式（1)計(jì)算對應(yīng)的稀疏系數(shù)：
[0016]
【主權(quán)項(xiàng)】
1. 一種基于稀疏表示的