[發(fā)明專利]一種嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法

在審

• 申請?zhí)枺?/td>: 201810310348.9
• 申請日: 2018-04-09
• 公開（公告）號: CN108549905A
• 公開（公告）日: 2018-09-18
• 發(fā)明（設(shè)計）人: 戴林旱;聶桂芝
• 申請（專利權(quán)）人: 上海方立數(shù)碼科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 上海麥其知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31257
• 代理人: 董紅曼

1.一種嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，所述方法包括以下步驟：

步驟一：采用稀疏區(qū)分性分類器和稀疏生成模型的高斯聯(lián)合模型進(jìn)行目標(biāo)跟蹤；

步驟二：在稀疏區(qū)分性分類器中，采用高斯分布的先驗知識對候選樣本加權(quán)，根據(jù)上一幀目標(biāo)的方差和均值預(yù)測當(dāng)前幀候選樣本的權(quán)重；

步驟三：在稀疏區(qū)分性分類器與稀疏生成模型中同時采用稀疏編碼與LLC方法分別計算候選樣本置信度與樣本、模板的相似性，并將得到的兩個系數(shù)相結(jié)合；

步驟四：以權(quán)重、置信度、相似度決策最大似然的樣本。

2.如權(quán)利要求1所述的嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，在稀疏區(qū)分性分類器模型中，判別性的特征被提取依據(jù)以下公式(1)：

N_p是指正樣本，N_n是指負(fù)樣本，同時是由N_p和N_n組成，K是特征選擇之前的特征維度，向量元素表示任意一個模板在訓(xùn)練集A中的屬性；稀疏特征向量s,它的非0元素是從K原始空間中挑選出來的具有區(qū)別性特征。

3.如權(quán)利要求1所述的嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，在稀疏區(qū)分性分類器模型中，目標(biāo)能由正模版的線性組合表示，背景能由負(fù)模板的擴(kuò)展表示；給定候選目標(biāo)，可由訓(xùn)練模板和下面公式計算出的系數(shù)α表示：

因此，構(gòu)建候選目標(biāo)x的信任值H_c通過下面的公式(4)：

H_c＝exp(-(ε_f-ε_b)/σ) (4)

其中，是候選樣本x與前景模板集A₊重構(gòu)誤差；是候選樣本x與背景模板集A-的重構(gòu)誤差，并且α是相關(guān)稀疏系數(shù)向量。

4.如權(quán)利要求1所述的嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，在歸一化的圖像上用重疊的滑動窗口得到M塊圖像，每塊圖像轉(zhuǎn)換成y_i∈R^G×1向量，G表示圖像塊的大小，通過公式(5)計算每一個patch的稀疏系數(shù)向量β：

字典D∈R^G×J是由k-means聚類中心產(chǎn)生；將每個圖像塊所求得β稀疏系數(shù)向量拼接起來形成直方圖：

ρ＝[β₁,β₂,β₃,...,β_m]^T (6)

ρ∈R^(J×M)×1是每一個候選對象的直方圖；經(jīng)過修改重構(gòu)直方圖來排除遮擋的圖像塊；

重構(gòu)誤差較大的圖像塊被看作遮擋，其對定的稀疏系數(shù)向量被置為0，計算通過公式(7):

ρ＝[β₁,β₂,β₃,...,β_m]^T (7)

表示矩陣元素之間的點乘，o中的每個元素是對應(yīng)遮擋圖像塊的指示器，計算通過公式(8):

在公式(8)中,是圖像小塊y_i的重構(gòu)誤差，而y_i是候選樣本通過滑動窗口掃描所形成，ε₀是預(yù)先設(shè)定的閾值用于判斷patch是否被遮擋；

再用直方圖交叉函數(shù)計算目標(biāo)直方圖與模板直方圖之間的相似性，計算公式為

模板直方圖ψ^j通過公式(5)、(6)計算得到；利用在分性分類器模型中所求得信任值H_c與在稀疏生成模型所求得目標(biāo)直方圖與模板直方圖之間的相似性L_c進(jìn)行結(jié)合，計算為公式(10)

5.如權(quán)利要求4所述的嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，為了抓住新的外觀和在遮擋中恢復(fù)目標(biāo)，模版直方圖的更新為稀疏生成模型更新，計算為公式(11)

新直方圖ψ_n由根據(jù)第一幀直方圖ψ_f和最后存儲的直方圖ψ_l所構(gòu)成，μ用于分配公式左邊和右邊的權(quán)重大小，將更新后的直方圖用于跟蹤下一幀圖像中的目標(biāo)。

6.如權(quán)利要求1所述的嚴(yán)重遮擋情況下的精準(zhǔn)目標(biāo)跟蹤方法，其特征在于，LLC編碼采用如下公式：

是指元素之間的點乘，

式(16)中，dist(x_i,B)＝[dist(x_i,b₁),…,dist(x_i,b_M)]^T，同時dist(x_i,b_i)是x_i與b_i之間的歐式距離；σ是用來調(diào)整局部適配器權(quán)重的衰減速度；

訓(xùn)練模板與候選模板之間的編碼系數(shù)可以通過如下公式計算：

然后經(jīng)過下式得到候選樣本與目標(biāo)LLC稀疏編碼信任值H_llc

H_llc＝exp(-(ε_f-ε_b)/σ)

其中，是候選樣本x與前景模板集A₊重構(gòu)誤差；是候選樣本x與背景模板集A_-的重構(gòu)誤差，并且α是相關(guān)稀疏系數(shù)向量；

再通過式(18)：

H＝H_c+ρH_llc (18)

其中，ρ是指H_c與H_llc之間的結(jié)合系數(shù)，在本發(fā)明中為0.01，這是由于正則項范數(shù)稀疏編碼更加側(cè)重于全局最優(yōu)，而LLC編碼傾向于局部最優(yōu)；對于目標(biāo)跟蹤，局部稀疏解應(yīng)該加入到全局稀疏解中；

在稀疏生成模型中，每個候選樣本經(jīng)過掃描重疊滑動窗口獲得m個圖像塊與字典D，再通過計算公式(19)得到每一個patch的稀疏系數(shù)向量β；

類似地，將從每個圖像塊獲得的稀疏系數(shù)β向量級聯(lián)以形成直方圖ρ＝[β₁,β₂,β₃,…β_m]^T，同時可以計算出每個樣本與跟蹤目標(biāo)的相似度L_llc.最后公式(9)所求得L_c通過公式：

L＝L_c+ρL_llc (20)

得到最終樣本相似度。