[發明專利]基于L1正則化的實時運動目標跟蹤的新方法

有效

• 申請號: 201310013907.7
• 申請日: 2013-01-15
• 公開（公告）號: CN103077537A
• 公開（公告）日: 2013-05-01
• 發明（設計）人: 楊金福;傅金融;楊宛露;李明愛;趙偉偉;解濤
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

技術領域

本發明屬于智能視頻監控技術領域，具體涉及一種基于L1正則化的實時運動目標跟蹤的新方法。

背景技術

目前，視頻監控技術的應用非常廣泛，視頻運動目標跟蹤技術也隨之成為研究的熱門課題之一，它融合了計算機圖像處理、模式識別、人工智能及自動控制等諸多相關領域的知識與技術。視頻目標跟蹤的研究目的是模擬人類視覺運動感知功能，賦予機器辨識序列圖像中運動目標的能力，為視頻分析和理解提供重要的數據依據。

近年來，由于稀疏表示對圖像腐蝕，尤其是遮擋具有很高的魯棒性，因此為未知線性系統求得稀疏解的稀疏表示和壓縮傳感技術已經引起機器視覺領域的廣泛關注。2009年J.Wright等發表在《IEEE?Transaction?On?Pattern?Analysis?And?Machine?Intelligence》上的論文“Robust?face?recognition?via?sparse?representation”，最先將稀疏表示用于人臉識別。2011年，X.Mei和H.Ling發表在《IEEE?Transaction?On?Pattern?Analysis?And?Machine?Intelligence》上的論文“Robust?Visual?Tracking?and?Vehicle?Classification?via?Sparse?Representation”，將稀疏表示運用到目標跟蹤與汽車分類上，該方法首先在模板空間下將目標由模板（候選模板與瑣碎模板）的線性組合表示，例如目標可以很好地由僅僅幾個模板的線性組合近似表示，然后用L1正則化模型表示模板的線性組合，最后使用內點法求解模板的系數，從而得到跟蹤結果。由于使用L1正則化能使得稀疏信號有穩定的復原能力，因此該方法在不同的跟蹤環境下魯棒性高。但是基于預處理共軛梯度的內點法求解L1正則化方法計算復雜度高，使得跟蹤速度慢，不能滿足實時性的要求，并且不能檢測目標是否被遮擋。

發明內容

為了克服現有基于預處理共軛梯度的內點法求解L1正則化方法中存在的不足：因計算復雜度高，使跟蹤速度慢而不能滿足實時性要求，并且不能檢測目標是否被遮擋，本發明提供了一種基于L1正則化的實時運動目標跟蹤的新方法。

本發明的技術方案是：通過將瑣碎模板的系數的二范數項添加到L1正則化模型當中，建立新的正則化模型，在模板更新前使用遮擋檢測方法檢測目標是否存在遮擋，從而改進目標跟蹤的精度，然后利用導數有界（Lipschitz特性）和可解析表示迭代求解L1正則化方法，從而使得新的算法能適用于實時運動目標跟蹤。

一種基于L1正則化的實時運動目標跟蹤方法，其特征在于包括以下步驟：

步驟1，輸入第一幀圖像，把它轉化為灰度圖像，從第一幀圖像確定跟蹤的目標。

步驟2，初始化跟蹤姿態（確定跟蹤目標）和粒子，方法如下：

在跟蹤的目標上取三個點，形成四邊形的跟蹤框，然后將這三個點進行仿射變換，形成目標初始姿態的仿射六參數的矩陣，并將初始姿態規定為參考模板。根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；參考模板仿射參數加上這個正態分布的噪聲形成NS個仿射參數矩陣作為粒子。

步驟3，初始化模板集，方法如下：

參考模板加上隨機擾動形成N個候選模板，然后將這些模板與M個瑣碎模板組成模板矩陣（例如候選模板矩陣為A，瑣碎模板矩陣為B，則模板矩陣為AB）。其中瑣碎模板個數M為目標矩形框像素點個數，瑣碎模板為M×M的單位矩陣。

步驟4，獲取下一幀圖像，如果不是最后一幀圖像，轉步驟6進行跟蹤；否則，跟蹤結束。

步驟5，圖像進行預處理，將原始圖像轉換成灰度圖像。

步驟6，根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；NS個粒子仿射參數加上這個正態分布的噪聲形成新的仿射參數作為新的粒子。

步驟7，一階段采樣，方法如下：

首先，按下式計算觀測概率的上界：