[發明專利]一種基于局部稀疏表示和粒子群優化的魯棒目標跟蹤方法

有效

• 申請號: 201710308766.X
• 申請日: 2017-05-04
• 公開（公告）號: CN107301652B
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 李映;薛希哲;胡曉華
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/277
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

本發明涉及一種基于局部稀疏表示和粒子群優化的魯棒目標跟蹤方法，首先，在初始幀附近采樣得到若干模板塊，利用目標的局部和結構信息構造用于稀疏表示的字典。再對之后的每一幀，用粒子濾波產生若干粒子，每個粒子代表一個候選目標。然后對每一個候選目標進行了稀疏表示，用求解得到的稀疏表示系數代表每個粒子的適應度，最后用粒子群優化求解得到的具有最高適應度的粒子，適應度最高的候選目標作為跟蹤結果。

技術領域

本發明屬于采用數字圖像進行目標根據的方法，涉及一種基于局部稀疏表示和粒子群優化的魯棒目標跟蹤方法。

背景技術

目標跟蹤是計算機視覺領域的一個基礎性問題，它有著廣泛的應用，包括視頻監控，行為分析，運動時間分析，以及視頻檢索等。由于目標在跟蹤過程中會面臨光照變化，遮擋，形變，復雜的運動背景等問題，經常會導致目標丟失和漂移現象，因此目標跟蹤是一個富有挑戰性的課題。

近兩年，基于稀疏表示理論的目標跟蹤方法得到了極大的重視，該方法將目標跟蹤問題轉化為稀疏求解問題，取得了較好的效果，為目標跟蹤問題提供了一個新的求解思路。經典的基于稀疏表示目標跟蹤方法的基本思想是以目標模板構建超完備字典，通過粒子濾波框架得到候選目標，通過計算L₁范數最小化進行稀疏求解，計算其重構誤差得到每個粒子為目標的概率，從而實現目標跟蹤。這種方法充分利用了圖像的稀疏表示性質中對噪聲和遮擋不敏感的特性，可以有效地減弱背景雜波和噪聲對于跟蹤算法的不利影響，提高算法的跟蹤性能。但這些算法主要采用圖像模板作為字典，而且為了抵抗遮擋影響而引入了瑣碎模板，從而使得超完備字典的維數很高，算法復雜度高，計算量大，而且圖像原始灰度特征容易受光照以及相似背景等影響。此外，粒子濾波中，可能會出現粒子的權重很小，出現粒子退化現象。為解決這一問題，粒子濾波中大多會采用重采樣，即舍棄權重小的粒子，對權重大的粒子復制，從而引起了貧化現象，影響候選目標的選取效果。

可見，視覺目標跟蹤過程中存在面臨的光照變化，遮擋，形變，復雜的運動背景相似物體的干擾影響等問題。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，本發明提出一種基于局部稀疏表示和粒子群優化的魯棒目標跟蹤方法，解決視覺目標跟蹤過程中面臨的光照變化，遮擋，形變，復雜的運動背景相似物體的干擾影響等問題。

技術方案

一種基于局部稀疏表示和粒子群優化的魯棒目標跟蹤方法，其特征在于步驟如下：

步驟1：讀取第一幀圖像數據，得到目標在第一幀圖像中的位置參數[x,y,w,h]，其中：x,y表示目標的中心位置，w,h表示目標的寬和高；

步驟2、構造用于稀疏表示的字典：以x,y為圓心，在半徑為R的范圍內，采樣n個目標模板，將若干目標模板歸一化到標準尺寸32*32；使用一個大小為16*16的滑動窗在每個模板上掃描提取多個局部塊，并將它們按提取順序進行排列；所述半徑R為max{h,w}的2倍；

以若干個目標模板和瑣碎模板構成字典D：D＝[D₁,D₂,…,D_n,E]，其中，目標模板數n，D_i是字典中的第i個目標模板，i＝1…n；每個目標模板又被分為m個局部塊，D_i＝[d_i,1,d_i,2,…,d_i,m]，d_i,j代表第i個目標模板中的第j塊，E為瑣碎模板；

步驟3、候選目標采樣：以函數p(x_t|x_t-1)＝N(x_t；x_t-1,Σ)在下一幀圖像中生成若干粒子，每個粒子代表一個以它為中心的候選目標區域Y_i，