[發明專利]一種基于壓縮正則化塊差分的視頻目標跟蹤方法

有效

• 申請號: 201711235654.2
• 申請日: 2017-11-30
• 公開（公告）號: CN107977982B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 高赟;張登卓;周浩;張晉;林宇;蘭戈
• 申請（專利權）人: 云南大學;昆明物理研究所
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/223
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠

1.一種基于壓縮正則化塊差分的視頻目標跟蹤方法，其特征在于，

實現步驟如下：

步驟一.選定跟蹤區域

設視頻幀序列中每一幀左上角為坐標原點(1,1)，在視頻幀序列的第一幀，手工或自動選定待跟蹤目標的矩形區域(x₀,y₀,W,H)，即左上角坐標為(x₀,y₀)，寬高分別為W和H，該矩形位置作為選定的跟蹤區域，也是第一幀跟蹤結果的位置；

步驟二.初始化測量矩陣

壓縮采樣過程中使用的壓縮測量矩陣是一個稀疏隨機高斯矩陣，矩陣形式如下：

其中，m×n表示測量矩陣的維數，R的列數n，也是NBD特征向量的維數，其計算方法如下：

R的行數m，也是壓縮特征的維數，m設置為m＝100，

矩陣R的(i,j)位置元素計算公式為：

其中，s＝n/lnn表示測量矩陣的稀疏程度，R每行中非零元素的個數為R中所有非零元素的個數為其余元素皆為零，

為了后續計算NBD特征元素值，R中每一個非零元素值r_ij與兩個隨機偏移塊A和B相對應，令兩個隨機偏移塊A和B對應的區域分別為(x_A,y_A,w_A,h_A)和(x_B,y_B,w_B,h_B)，其中，(x_A,y_A)和(x_B,y_B)分別表示A塊和B塊相對于待跟蹤目標或候選目標矩形區域左上角的偏移坐標，(w_A,h_A)和(w_B,h_B)分別表示A塊和B塊的寬高，A和B的偏移坐標和大小皆隨機取得，且皆位于待跟蹤目標或候選目標矩形區域內，

矩陣R生成后，在整個跟蹤過程中R的非零元素值及每個非零元素對應兩個隨機偏移塊的位置和大小均不再發生變化，即后續每一個候選目標的壓縮特征向量都要根據此時生成的R進行計算；

步驟三.初始化目標分類器；

步驟四.更新目標分類器；

步驟五.輸入新視頻幀；

步驟六.生成粗略候選目標集合；

步驟七.計算粗略候選目標集合中所有候選目標的CNBD特征向量；

步驟八.判別粗略跟蹤結果；

步驟九.生成細致候選目標集合；

步驟十.計算細致候選目標集合中所有候選目標的CNBD特征向量；

步驟十一.判別本幀跟蹤結果；

步驟十二.如果當前幀是最后一幀，跟蹤結束；否則，轉至步驟四繼續；

所述步驟七的具體操作為：

步驟七.計算粗略候選目標集合中所有候選目標的CNBD特征向量

對于粗略候選目標集合，每個候選目標對應的CNBD特征向量計算方法如下：

對于一個特定的待跟蹤目標或候選目標的矩形區域，令表示該矩形區域的CNBD特征向量，m×1表示CNBD特征向量的維數，表示該矩形區域的NBD特征向量，n×1表示NBD特征向量的維數，x中每一個元素x_j,j＝1～n對應一個NBD特征元素，則該矩形區域的CNBD特征向量y的計算方法如下：

其中，R采用步驟二初始化測量矩陣的方法計算得到，因此，只需要計算x向量；CNBD特征向量中每一個元素由于R是一個稀疏隨機高斯矩陣，多數元素為零元素；在計算的過程中，當r_ij＝0，則必然r_ijx_j＝0，因此，當r_ij＝0，則直接令x_j＝0，如此x_j可以省略計算；如此只需要計算r_ij≠0，i＝1～m，j＝1～n的情況下對應的x_j，即計算R中每一個非零元素對應的NBD特征元素值x_j，x向量中總共需要計算的元素個數僅為即可得到一個待跟蹤目標或候選目標矩形區域對應的CNBD特征向量y；

對于一個特定的NBD特征元素值x_j，其與一個特定的r_ij相對應；根據步驟二中生成的與該r_ij對應的兩個隨機偏移塊A和B即可計算出x_j，計算方法如下：

其中a_A和a_B分別表示A塊和B塊內的像素平均值，a_A∈[0，255]，a_B∈[0，255]，f(A，B)∈[-1，1]，x_j∈[0，255]。

2.根據權利要求1所述的一種基于壓縮正則化塊差分的視頻目標跟蹤方法，其特征在于，所述

步驟三.初始化目標分類器

采用樸素貝葉斯分類器H(y)對后續幀序列中候選目標是否為待跟蹤目標進行判別，H(y)定義如下：

其中，y是采用步驟七特征向量計算方法得到的待跟蹤目標或候選目標區域的CNBD特征向量，p(v＝1)和p(v＝0)分別表示y符合正樣本分布和符合負樣本分布的概率，p(v＝1)＝p(v＝0)＝0.5，v∈{0,1}；假設條件分布p(y_i|v＝1)和p(y_i|v＝0)符合四個參數的高斯分布，即

初始化四個參數的值為：

步驟四.更新目標分類器

如果是第一幀，以當前選定的待跟蹤目標矩形區域作為基準區域，否則，以當前幀跟蹤結果的矩形區域作為基準區域，依據基準區域產生正樣本和負樣本，進而對目標分類器的各個參數進行更新，具體方法如下：

對于正樣本而言，與基準區域尺寸相同、與基準區域中心點距離在α＝4范圍內所有的矩形區域構成了正樣本待選集合，從正樣本待選集合中隨機選擇q¹＝45個矩形區域作為目標正樣本，根據步驟七可以分別計算得到q¹＝45個正樣本矩形區域對應的CNBD特征向量，假設這里q¹＝45個特征向量的第i個測量元素符合參數為μ¹和δ¹的高斯分布，其計算方法如下，

λ＞0是更新速率，取λ＝0.85，和的更新方法如下：

對于負樣本而言，與基準區域尺寸相同、與基準區域中心點距離在β＝8～30范圍內所有的矩形區域構成了負樣本待選集合，從負樣本待選集合中隨機選擇q⁰＝50個矩形區域作為目標負樣本，根據步驟七可以分別計算得到q⁰＝50個負樣本矩形區域對應的CNBD特征向量，假設這里q⁰＝50個特征向量的第i個測量元素符合參數為μ⁰和δ⁰的高斯分布，其計算方法如下，

λ＞0是更新速率，取λ＝0.85，和的更新方法如公式下：

步驟六.生成粗略候選目標集合

在上一視頻幀跟蹤結果周圍，以上一視頻幀跟蹤結果矩形區域的中心點為圓心，γ_c＝25為搜索半徑，Δ_c＝4為搜索步長，得到一組網格點，與上一視頻幀跟蹤結果矩形區域尺寸相同，以該組網格點為中心得到一組候選目標，即粗略候選目標集合；

步驟八.判別粗略跟蹤結果

根據步驟三中H(y)的計算公式可以計算出一個候選目標的CNBD特征向量y的評價值；粗略候選目標集合中評價值最高的候選目標對應的位置即為粗略跟蹤結果；

步驟九.生成細致候選目標集合

在粗略跟蹤結果周圍，以粗略跟蹤結果矩形區域的中心點為圓心，γ_f＝10為搜索半徑，Δ_f＝1為搜索步長，得到一組網格點；與粗略跟蹤結果矩形區域尺寸相同，以該組網格點為中心得到一組候選目標，即細致候選目標集合；

步驟十.計算細致候選目標集合中所有候選目標的CNBD特征向量

對于細致候選目標集合，每個候選目標對應的CNBD特征向量計算方法與步驟七中每個候選目標CNBD特征向量計算方法相同；

步驟十一.判別本幀跟蹤結果

根據步驟三中H(y)的計算公式計算出一個候選目標的CNBD特征向量y的評價值；細致候選目標集合中評價值最高的候選目標對應的位置即為本幀跟蹤結果。