[發(fā)明專利]一種混合塊稀疏協(xié)作模型的目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710472577.6
• 申請(qǐng)日: 2017-06-21
• 公開（公告）號(hào): CN107194408B
• 公開（公告）日: 2021-06-01
• 發(fā)明（設(shè)計(jì)）人: 孫戰(zhàn)里;馬書恒
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G06T7/11;G06T7/20
• 代理公司: 合肥市浩智運(yùn)專利代理事務(wù)所(普通合伙) 34124
• 代理人: 丁瑞瑞

1.一種混合塊稀疏協(xié)作模型的目標(biāo)跟蹤方法，其特征在于：包括候選目標(biāo)的置信值和對(duì)遮擋進(jìn)行處理，包括：

步驟a、從第一幀初始化目標(biāo)并選取目標(biāo)區(qū)域，包括：

根據(jù)所述第一幀的被跟蹤目標(biāo)在整張圖片的真實(shí)坐標(biāo)，即p＝[x,y,w,h,α]為第一幀的目標(biāo)跟蹤框的位置、仿射參數(shù)β＝[β₁,β₂,β₃,β₄,β₅，β₆]、粒子采樣數(shù)z為600個(gè)、sz＝[32 32]，仿射參數(shù)β是已知條件，用于預(yù)測(cè)候選后目標(biāo)，對(duì)所述原始的參數(shù)向量p進(jìn)行處理得到p1＝[x,y,w/32,α,w/h,0]，其中x,y為中心點(diǎn)像素坐標(biāo)，w和h分別為目標(biāo)框的寬和長(zhǎng)，α為目標(biāo)框的旋轉(zhuǎn)角度，β₁和β₂表示目標(biāo)移動(dòng)在橫坐標(biāo)和縱坐標(biāo)方向上的步長(zhǎng)，β₃表示的步長(zhǎng)的比例因子，β₄表示目標(biāo)框的旋轉(zhuǎn)角度，β₅表示目標(biāo)框的寬高比，β₆表示目標(biāo)框的傾斜角，將p1仿射變換得到幾何意義上的參數(shù)q，q是一個(gè)2*3的仿射變換參數(shù)矩陣，用p中的x,y,w,h初始化參數(shù)就可以確定目標(biāo)在第一幀的位置將目標(biāo)畫出來，當(dāng)跟蹤目標(biāo)運(yùn)動(dòng)時(shí)，跟蹤目標(biāo)的尺度變化因子、旋轉(zhuǎn)變化因子發(fā)生改變，從而使跟蹤目標(biāo)在視頻圖像中的大小發(fā)生改變，用L₁表示32*32大小的一個(gè)小塊，將L₁用滑動(dòng)窗進(jìn)行分塊處理并標(biāo)簽，用于后面將候選樣本模型和詞典進(jìn)行分塊處理的時(shí)候，能夠很好的分塊處理，具體如下：將L₁分成尺寸為16*16的局部塊，步長(zhǎng)為8，得到9個(gè)互有重疊的局部塊X₁，再將局部塊X₁池化成一列，把每一個(gè)小塊X₁的坐標(biāo)排到一起，返回每個(gè)塊所含的坐標(biāo)標(biāo)簽用Z表示；

步驟b、利用目標(biāo)的坐標(biāo)通過仿射變換和圖像插值的方法獲取目標(biāo)的正、負(fù)樣本模板；包括：

將每一幀圖像都轉(zhuǎn)換成灰度圖像，根據(jù)p，將第一幀圖像中的目標(biāo)圖像插值成尺寸大小為32*32的目標(biāo)塊L，再將目標(biāo)塊L池化成一列用作訓(xùn)練詞典，以所述第一幀目標(biāo)中心x,y，以內(nèi)半徑r1為0，外半徑r2為4個(gè)像素點(diǎn)，

mir＝y(tǒng)-r2+1，mic＝x-r2+1，mar＝y(tǒng)+r2，mac＝x+r2，

mir為y移動(dòng)的最小距離，mar為y移動(dòng)的最大距離，mic為x移動(dòng)的最小距離，mac為x移動(dòng)的最大距離，m等于50為最多正樣本個(gè)數(shù)，

pro＝m/((mar-mir+1)*(mac-mic+1))

pro表示正樣本個(gè)數(shù)占候選樣本個(gè)數(shù)的比例，將mir到mar排列成一行，總共排列成mar-mir+1行，r尺寸大小為8*8，r代表的是y周圍的坐標(biāo)，將mic到mac排列成一列，總共排列成mac-mic+1列，c尺寸大小為8*8，c代表的是x周圍的坐標(biāo)，

di＝(y-r)²+(x-c)²

di為目標(biāo)中心坐標(biāo)到候選正樣本中心點(diǎn)坐標(biāo)的距離，rd為(0,1)之間均勻分布的隨機(jī)數(shù)，其尺寸大小為(mac-mic+1)*(mar-mir+1)，記錄c中滿足(rdpro)同時(shí)滿足(dir2²)同時(shí)滿足(di＝r1²)這些條件的c和對(duì)應(yīng)的r作為目標(biāo)中心的正樣本坐標(biāo)，再結(jié)合q中的參數(shù)仿射反變換成p4大小為6*k1，再將p4仿射變換為q4，根據(jù)q4，在第一幀圖像上插值成尺寸大小為32*32的正樣本A_p1，再將A_p1中每一個(gè)樣本看做一列1024維得到A_p為正樣本模板，同理在第一幀目標(biāo)中心x,y以內(nèi)半徑r1為8，外半徑r2為30個(gè)像素點(diǎn)，最多取200個(gè)，得到負(fù)樣本模板A_n，其中，k1是正樣本的個(gè)數(shù)；

步驟c、根據(jù)上一幀視頻圖像的目標(biāo)通過粒子濾波、仿射變換和圖像插值得到候選目標(biāo)；

步驟d、利用k-d樹搜索得到此幀最佳的候選目標(biāo)為i，確定目標(biāo)區(qū)域，將最佳的候選目標(biāo)作為訓(xùn)練的詞典，包括：

在公開的資源中用k-d樹算法計(jì)算并結(jié)合k-d樹的最近鄰搜索算法得到最佳的候選目標(biāo)，確定目標(biāo)區(qū)域，對(duì)應(yīng)的候選目標(biāo)框參數(shù)作為此幀的目標(biāo)跟蹤，用于下一幀的預(yù)測(cè)，將最佳的候選目標(biāo)用作訓(xùn)練詞典的一部分，并且將第一幀目標(biāo)也用于詞典的一部分，利用前n幀作為訓(xùn)練詞典，用于后面的稀疏表示求候選目標(biāo)的稀疏系數(shù)；

步驟e、判斷i是否大于n幀，不大于重復(fù)步驟c至步驟d，大于n幀時(shí)進(jìn)入步驟f，其中n是訓(xùn)練詞典的幀數(shù)；

步驟f、i大于n幀后，用滑動(dòng)窗將詞典分塊，并利用增量奇異值分解求取詞典的均值和特征值；

步驟g、根據(jù)上一幀視頻圖像的目標(biāo)，通過粒子濾波、仿射變換和圖像插值得到候選目標(biāo)；

步驟h、通過稀疏表示和正、負(fù)樣本模板，計(jì)算每個(gè)候選目標(biāo)的置信值；

步驟i、用滑動(dòng)窗將候選目標(biāo)分塊處理，再根據(jù)詞典進(jìn)行稀疏表示；

步驟j、通過后驗(yàn)概率最大化，獲取當(dāng)前幀最可靠的候選目標(biāo)為，確定目標(biāo)區(qū)域；

步驟k、每隔幾幀實(shí)時(shí)更新負(fù)樣本模板和詞典；

步驟l、重復(fù)步驟g至步驟k直到此跟蹤結(jié)束；

所述的步驟i的用滑動(dòng)窗將候選目標(biāo)分塊處理再根據(jù)詞典進(jìn)行稀疏表示，還包括：

利用公式

對(duì)e_i進(jìn)行判斷處理用于步驟i后面的計(jì)算，其中，x_i為每個(gè)候選目標(biāo)進(jìn)行圖像分塊處理后得到每個(gè)互有重疊的局部塊，D為詞典，w_i為每個(gè)候選目標(biāo)進(jìn)行圖像分塊處理后得到每個(gè)互有重疊的局部塊所對(duì)應(yīng)的稀疏系數(shù)，e_i為每個(gè)候選目標(biāo)對(duì)應(yīng)的每個(gè)局部塊通過詞典D和對(duì)應(yīng)的稀疏系數(shù)得到的重構(gòu)誤差，θ是個(gè)參數(shù)用于判斷目標(biāo)是否遮擋，當(dāng)e_i值大于參數(shù)θ對(duì)應(yīng)的值判斷此局部塊被遮擋，局部塊具有較大的重構(gòu)誤差被視為遮擋，相應(yīng)的稀疏系數(shù)向量被設(shè)置為零，用于處理在目標(biāo)跟蹤過程中目標(biāo)出現(xiàn)遮擋的時(shí)候。