[發明專利]基于自適應選擇機制的稀疏聯合模型目標跟蹤方法

有效

• 申請號: 201710347548.7
• 申請日: 2017-05-17
• 公開（公告）號: CN107203747B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 孔軍;劉天山;蔣敏;柳晨華;鄧朝陽;楊生
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉

本發明公開了一種基于自適應選擇機制的稀疏聯合模型目標跟蹤方法。構造稀疏的判決模型時，利用特征選擇機制提取更具辨識力的特征，并以置信值度量為約束，更好地區分出目標和背景；構造稀疏的生成模型時，結合L1正則化和PCA子空間重構思想，使得目標不僅保留充足外觀信息，且可有效抵御離群子干擾，并提出一種結合線性回歸和軟閾值算子的迭代算法對目標函數進行最小化求解。相較于傳統的乘性聯合機制，本發明提出了一種基于歐式距離的自適應選擇機制，通過分別比較上述兩種模型的預測結果與前一幀的跟蹤結果的差異，計算偏差，判斷模型是否發生退化，并以此構建出更加合理的聯合模型評估函數來提升跟蹤精度。

技術領域：

本發明屬于機器視覺領域，特別涉及一種基于自適應選擇機制的稀疏聯合模型目標跟蹤方法。

背景技術：

目標跟蹤技術作為計算機視覺領域的研究熱點之一，旨在一系列的圖像中對目標物體進行檢測、提取、識別和跟蹤，從而獲得目標物體的相關參數，如位置、速度、尺度、軌跡等；進一步根據跟蹤結果進行處理和分析，實現對目標物體的行為理解，或者完成更高一級的任務。其研究成果在視頻監控，交通監測，醫學診斷，軍事打擊，人機交互等方面有著良好的應用價值。盡管目標跟蹤技術擁有廣闊的應用前景和研究價值，近些年來研究人員也已取得諸多研究進展，但是設計出一種魯棒的跟蹤算法依然具有很強的挑戰性。需要克服的技術難點問題主要來自兩個方面：內在干擾和外在干擾。內在干擾包括目標自身的姿態變化、尺度變化等。外在干擾主要有遮擋、場景光照變化、復雜背景等。

根據設計模型的不同，目標跟蹤方法主要分為兩類：判別模型跟蹤方法和生成模型跟蹤方法。基于判別模型的跟蹤方法將目標跟蹤問題視為分類問題，通過設計出一個魯棒的分類器來區分出目標和背景。基于生成模型的跟蹤算法，其跟蹤的目的是在鄰域中找尋與目標最近似的圖像區域，即最優化估計目標的狀態。近年來，有研究學者提出聯合模型跟蹤方法，旨在結合判別式方法和生成式方法的優勢，提升跟蹤算法的魯棒性。Zhong等人^[1]提出一個聯合模型跟蹤方法，把基于稀疏表示的判別模型和基于稀疏表示的生成模型級聯起來用于目標的位置估計，但該方法欠缺對離群子的處理機制，且生成模型采用基于局部圖像塊的特征導致計算量過大，方法實時性較差；Zhao等人^[2]提出一種混合判別式和生成式的外觀模型，結合了顏色、紋理、SIFT描述子等特征，雖然該方法可以有效處理目標姿態變化和旋轉等問題，但由于模板集存在冗余特征使得其不能魯棒應對對運動模糊、背景復雜等外在因素的干擾。現有的聯合模型跟蹤方法往往采用直接相乘的機制來融合判別模型和生成模型，構建其評估候選樣本的似然函數。然而，在跟蹤過程中當有一種模型產生惡化或丟失的情況時，這種直接相乘的機制會導致誤差累積，進而惡化整個聯合模型的表現。

針對上述現有聯合模型跟蹤算法技術的缺陷，本發明提出一種基于自適應選擇機制的稀疏聯合模型目標跟蹤方法。利用特征選擇機制去除冗余特征，構建稀疏判決模型；結合L1正則化和PCA子空間重構，構建稀疏生成模型；提出一種基于歐式距離的自適應選擇機制聯合上述兩種模型，實現魯棒跟蹤。

發明內容：

本發明的主要目的是提出一種基于自適應選擇機制的稀疏聯合模型目標跟蹤算法，在目標被遮擋、場景光照變化、運動模糊、背景復雜等干擾影響下，準確定位目標區域。

為了實現上述目的，本發明提供如下技術方案：

步驟一、讀入第一幀圖像Image₁，手動標記視頻序列第一幀圖像得到初始目標位置；在目標位置周圍手動采集m個圖像，歸一化后按行堆放成向量構成相應的正模板集d為初始特征維數；類似的，在離目標位置較遠處采集n個圖像，經過相同的處理后獲得負模板集降采樣目標圖像并轉為列向量d為目標圖像的特征維數，初始化子空間U和奇異值對角矩E為空矩陣；

步驟二、讀入下一幀Image_t+1(t≥1)，基于粒子濾波框架下隨機游走的方式采集t+1幀候選樣本集合并將對應圖像作為觀測樣本集合其中k為樣本的個數；