[發明專利]一種基于多特征的自適應壓縮跟蹤算法

在審

• 申請號: 201710252868.4
• 申請日: 2017-04-19
• 公開（公告）號: CN107122722A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 高振國;張傳敬;陳炳才;姚念民;盧志茂;王健;余超;譚國真
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 大連理工大學專利中心21200
• 代理人: 梅洪玉

技術領域

本發明屬于視覺跟蹤領域，涉及一種基于多特征的自適應壓縮跟蹤算法。

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，開發一個高性能跟蹤系統是一個具有挑戰性的問題。

CT(Real-time Compressive Tracking)跟蹤算法是由K.Zhang等人提出的一種簡單高效的實時壓縮跟蹤算法。但是，由于該跟蹤算法采集到的特征是單一的，所以不能適應目標快速移動和環境變化等情況，繼而造成目標漂移和跟蹤不穩定等問題。另外，該跟蹤算法中的分類器更新過程中引入了一個更新程度參數，但是這個參數在整個目標跟蹤的過程中是提前給出的且是固定不變的，假設給定的值過大會使分類器更新過程無法適應目標外觀的變化，給定的值過小則容易使分類器“過學習”。

那么，為了解決這些問題，本發明提出了一種基于多特征的自適應壓縮跟蹤算法。該算法采用多特征思想，用紋理特征和灰度特征共同描述目標，兩者相互彌補，從而提升跟蹤算法的準確性和穩定性。并且該算法中用了一種自適應更新的方法來動態地調整分類器的更新參數，使跟蹤算法能夠快速地捕獲到要跟蹤的目標

發明內容

本發明提出了一種基于多特征的自適應壓縮跟蹤算法，目的在于克服上述現有技術的不足，得到一種魯棒性高、準確率高的目標跟蹤算法。

為了實現上述目的，本發明的技術方案為：

一種基于多特征的自適應壓縮跟蹤算法，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，根據上一幀跟蹤結果通過粒子濾波方法進行采樣得到一個樣本集即一個圖像塊集合D^r＝{z|||I(z)-I_t-1||<r}，其中，I_t-1為t-1幀中目標的位置，r為采樣范圍；

第三步，構建一個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，獲取樣本的多特征。基于壓縮感知理論，通過兩個非常稀疏的隨機測量矩陣和將高維多尺度的圖像特征向量分別投影到低維空間中的向量和上，即v＝Rx。其中，隨機矩陣的定義為

其中，s＝m/4，p為出現1,0，-1的概率。然后基于生成新的特征提取矩陣則新的特征提取矩陣的生成公式如下所示：

其中，i分別表示特征提取矩陣和的第i行，k表示中第i行中第k個非0值。

第五步，通過下面步驟計算t-1幀跟蹤目標的哈希指紋Ha_t-1并保存；

Step1：縮小t-1幀跟蹤目標圖像(RGB)的尺寸，快速去除高頻和細節，只保留結構、明暗等基本信息的方法。即圖片縮小到8×8的尺寸，總共64個像素。摒棄不同尺寸、比例帶來的圖片差異。

Step2：簡化色彩，將8×8的小圖片轉為64級灰度。

Step3：計算灰度平均值，計算所有64個像素的灰度平均值。

Step4：比較像素的灰度，將每個像素的灰度，與平均值進行比較，大于或等于平均值，記為1；小于平均值，記為0。

Step5：計算哈希值，將上一步比較結果組合在一起構成一個64位的整數，即為該圖像的指紋。組合的次序不重要，只要保證所有圖片都采用同樣次序即可。

第六步，通過下式(5)