[發明專利]一種多模板時空關聯的局部反聯合稀疏表示目標跟蹤方法

有效

• 申請號: 201710100030.3
• 申請日: 2017-02-23
• 公開（公告）號: CN106874881B
• 公開（公告）日: 2019-09-24
• 發明（設計）人: 彭真明;李美惠;陳科;潘翯;陳穎頻;王曉陽;孫偉嘉;任叢雅旭;卓勵然;蒲恬;張萍
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 王正楠

1.一種多模板時空關聯的局部反聯合稀疏表示目標跟蹤方法，其特征在于，所述方法包括以下步驟：

步驟1：對每一幀輸入圖像中目標的狀態進行手動標定，得到每一幀圖像的目標模板t^m(x，y，m)，依次對M幀輸入圖像進行手動標定，得到目標模板集x與y表示坐標，s表示目標的狀態，M表示目標模板個數，m表示目標模板序號，即時序標號，m∈[1，M]；

步驟2：根據目標模板集中第M個目標模板的狀態，利用目標的運動模型對第c幀圖像進行粒子采樣，獲取N個候選目標fⁿ(x，y)，形成候選目標集c為需要進行目標跟蹤的當前幀，N表示候選目標總個數，n表示候選目標的序號，n∈[1，N]；

其中第c幀的狀態利用運動模型進行更新，采用的公式如下：

式中，{x_M，y_M，θ_M，s_M，α_M，φ_M}表示第M個目標模板的狀態，{x_c，y_c，θ_c，s_c，α_c，φ_c}表示第c幀目標的狀態，grand是一組滿足高斯分布的隨機數(0-1)，{Δx，Δy，Δθ，Δs，Δα，Δφ}表示目標狀態的變化幅度；

步驟3：將每一個候選目標fⁿ(x，y)劃分為K個圖像塊，得到候選目標局部圖像塊N個候選目標局部圖像塊構成候選目標局部圖像塊集采用相同方式將每一個目標模板t^m(x，y，m)劃分為K個圖像塊，得到目標模板局部圖像塊M個標模板局部圖像塊構成目標模板局部圖像塊集k表示圖像塊的序號，K表示圖像塊的個數，k∈[1，K]；

步驟4：根據目標模板局部圖像塊與候選目標局部圖像塊的余弦距離及目標模板對應的時序標號m計算時序權重矩陣

其中計算時序權重矩陣的公式為：

式中，為第n個候選目標的第k個圖像塊，為第m個目標模板的第k個圖像塊，δ表示歸一化常數；

步驟5：將候選目標局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據像素點排列位置按列展開得到列向量，構成一系列子字典D_k；將目標模板局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據像素點排列位置按列展開得到列向量，構成局部目標模板樣本集T_k；

步驟6：利用子字典D_k、局部目標模板樣本集T_k和時序權重矩陣構建目標函數，即局部加權反聯合稀疏表示模型，將目標函數中的l_0，2范數約束用含參數高斯函數F_σ(X)替換為平滑l_0，2范數項進行優化求解，得到稀疏表示系數矩陣

其中目標函數為：

式中，W表示時序權重矩陣由[W₁，W₂，...，W_k]構成，其中W_k表示對第k個目標模板圖像塊集進行加權反聯合稀疏表示時對應的時序權重矩陣，D_k表示子字典，T_k表示局部目標模板樣本集，X為稀疏表示系數矩陣由[X₁，X₂，...，X_k]構成，其中X_k表示不同目標模板中k值相同的圖像塊構成的表示系數矩陣，表示對W和X做哈達瑪乘積運算，ε表示的是誤差上限值；

式中，約束項定義為：

其中l_0，2范數約束定義為：

將l_0，2范數約束替換為平滑l_0，2范數項進行優化求解所采用的含參數高斯函數F_σ(X)為：

其中，

式中，σ表示高斯函數方差，i∈[1，N]表示每個稀疏表示系數矩陣的行號，該含參數高斯函數F_σ(X)實現對稀疏表示系數矩陣中非零行向量的計數，從而將非平滑非凸問題的目標函數求解轉化為平滑問題求解，降低計算復雜度；

步驟7：利用稀疏系數矩陣得到候選目標fⁿ(x，y)的貢獻指示性值篩選出重要候選目標集r表示重要候選目標的個數，th表示將候選目標放入重要候選目標集后的序號th∈[1，r]，IP(th)表示選出的重要候選目標的序號IP(th)∈[1，N]；

其中重要候選目標集選擇的具體步驟如下：

步驟71.將稀疏表示系數矩陣中的表示系數矩陣X_k映射為候選目標中局部圖像塊的貢獻指示值I_k，采用公式如下：

式中，TH為自適應閾值；

將||X_k[i，：]||₂，i∈[1，N]按從大到小順序排序，計算累計能量分布，能量值到達90％時對應的||X_k[i，：]||₂的數值大小即為TH的取值；

步驟72.將同一候選目標的局部圖像塊對應的貢獻指示值I_k相加，得到各個候選目標的貢獻值

步驟73.將前r個貢獻值最大的候選目標放入重要候選目標集中，其余刪除，式中th表示將候選目標放入重要候選目標集后的序號th∈[1，r]，IP(th)表示選出的重要候選目標的序號IP(th)∈[1，N]，r表示重要候選目標的個數；

步驟8：對重要候選目標集中重要候選目標的狀態s_IP(i)進行加權打分，決定最終的跟蹤結果

步驟9：更新目標模板，重復上述步驟進行第c+1幀圖像的跟蹤。