[發明專利]一種基于壓縮感知的魯棒目標追蹤方法

在審

• 申請號: 201611020862.6
• 申請日: 2016-11-21
• 公開（公告）號: CN106651912A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 黃鴻勝;何昭水;謝勝利;王偉華;楊森泉;王沛濤
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62
• 代理公司: 廣東廣信君達律師事務所44329
• 代理人: 楊曉松

技術領域

本發明涉及模式識別領域，尤其涉及一種基于壓縮感知的魯棒目標追蹤方法。

背景技術

目標追蹤具有很多實際的應用，在人際交互、視頻監控、行為分析等領域有廣泛的應用，是計算機視頻監控領域研究的關鍵技術之一。然而，在實際復雜應用場景中，光照變化、陰影、遮擋、運動突變、背景混亂等各種因素給視頻目標追蹤技術帶來了極大的挑戰。

在傳統的追蹤方法上，由于攝像機捕獲大量結構完整且冗余度很高的數據，造成數據傳輸時間長，信息處理計算量大，很難達到快速實時追蹤的目的。

為了適應實際應用領域的各種需求，既準確又快速的視頻目標追蹤技術成為了學術界和產業界廣泛關注的熱點問題之一。

發明內容

為克服現有技術的不足，本發明提出一種基于壓縮感知的魯棒目標追蹤方法。

本發明的技術方案是這樣實現的：

一種基于壓縮感知的魯棒目標追蹤方法，包括步驟

S1：對任意一段視頻圖像中的首幀標記出目標位置；

S2：對目標位置的所在目標區域生成稀疏投影矩陣；

S3：對所述目標區域的目標位置周圍，采樣正樣本模版和負樣本模版；

S4：通過卷積模版對所述正樣本模版和負樣本模版構造多尺度歸一化特征，將所述多尺度歸一化特征進行串聯，得到一個長列向量；

S5：使用所述稀疏投影矩陣對所述長列向量進行壓縮，得到低維特征；

S6：對所述低維特征進行再訓練，得到一個特征投影矩陣，通過該特征投影矩陣選擇出正樣本高判別性特征和負樣本高判別性特征；

S7：用所述正樣本高判別性特征和負樣本高判別性特征訓練貝葉斯分類器；

S8：獲取下一幀圖片，在上一幀的目標位置周圍進行采樣，獲得一批候選樣本，固定步驟S6中的特征投影矩陣，重復步驟S4-S6，獲得候選樣本的高判別性特征；

S9：將所述候選樣本的高判別性特征送入貝葉斯分類器，分類為正概率最大的候選樣本為是目標位置；

S10：固定步驟S6中的特征投影矩陣，重復步驟S3-S7，更新貝葉斯分類器；

S11：重復步驟S8-S11，直至視頻結束。

進一步地，步驟S6中特征投影矩陣的構造過程包括步驟

S61：求解公式

其中是由n_p個正樣本特征A₊和n_n個負樣本特征A_-構成，K是特征的維數，λ是權重參數，向量中的元素代表訓練集A中的相應樣本的性質，即+1代表正樣本，-1代表負樣本，得出特征投影矩陣；

S62：通過A'＝SA和x'＝Sx，獲得樣本模板和候選樣本的正樣本高判別性影特征和負樣本高判別性特征。

進一步地，所述步驟S5中所述低維特征是特征維數為300低維特征。

進一步地，步驟S6中所述正樣本高判別性特征和負樣本高判別性特征是維數為60-80維的正樣本高判別性特征和負樣本高判別性特征。

更進一步地，所述正樣本高判別性特征和負樣本高判別性特征是維數為70維的正樣本高判別性特征和負樣本高判別性特征。

本發明的有益效果在于，與現有技術相比，本發明基于壓縮感知提取特征可有效降低特征維數，大大降低算法的計算復雜度，提高了算法的實時性，同時利用本發明提出的特征投影矩陣進行自適應特征選擇可以篩選出高判別性特征，增強追蹤算法系統的魯棒性，因此，本發明在目標追蹤上具有很好的魯棒性和實時性，具有很強的應用價值。

附圖說明

圖1是本發明基于壓縮感知的魯棒目標追蹤方法流程圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

請參見圖1，本發明一種基于壓縮感知的魯棒目標追蹤方法，包括初始化階段和追蹤階段。

在初始化階段，包括步驟

S1：對任意一段視頻圖像中的第t幀標記出目標位置I_t(x,y,w,h)，其中x,y表示目標的左上角的坐標，w,h表示目標區域矩形的寬度和高度。

S2：對目標位置所在的目標區域生成，n×m維的稀疏投影矩陣R，其中n是特征壓縮后的維數，這里取n＝300，m是壓縮前特征的維數，其中