一种基于压缩感知的鲁棒目标追踪方法与流程

本发明涉及模式识别领域，尤其涉及一种基于压缩感知的鲁棒目标追踪方法。

背景技术：

目标追踪具有很多实际的应用，在人际交互、视频监控、行为分析等领域有广泛的应用，是计算机视频监控领域研究的关键技术之一。然而，在实际复杂应用场景中，光照变化、阴影、遮挡、运动突变、背景混乱等各种因素给视频目标追踪技术带来了极大的挑战。

在传统的追踪方法上，由于摄像机捕获大量结构完整且冗余度很高的数据，造成数据传输时间长，信息处理计算量大，很难达到快速实时追踪的目的。

为了适应实际应用领域的各种需求，既准确又快速的视频目标追踪技术成为了学术界和产业界广泛关注的热点问题之一。

技术实现要素：

为克服现有技术的不足，本发明提出一种基于压缩感知的鲁棒目标追踪方法。

本发明的技术方案是这样实现的：

一种基于压缩感知的鲁棒目标追踪方法，包括步骤

S1：对任意一段视频图像中的首帧标记出目标位置；

S2：对目标位置的所在目标区域生成稀疏投影矩阵；

S3：对所述目标区域的目标位置周围，采样正样本模版和负样本模版；

S4：通过卷积模版对所述正样本模版和负样本模版构造多尺度归一化特征，将所述多尺度归一化特征进行串联，得到一个长列向量；

S5：使用所述稀疏投影矩阵对所述长列向量进行压缩，得到低维特征；

S6：对所述低维特征进行再训练，得到一个特征投影矩阵，通过该特征投影矩阵选择出正样本高判别性特征和负样本高判别性特征；

S7：用所述正样本高判别性特征和负样本高判别性特征训练贝叶斯分类器；

S8：获取下一帧图片，在上一帧的目标位置周围进行采样，获得一批候选样本，固定步骤S6中的特征投影矩阵，重复步骤S4-S6，获得候选样本的高判别性特征；

S9：将所述候选样本的高判别性特征送入贝叶斯分类器，分类为正概率最大的候选样本为是目标位置；

S10：固定步骤S6中的特征投影矩阵，重复步骤S3-S7，更新贝叶斯分类器；

S11：重复步骤S8-S11，直至视频结束。

进一步地，步骤S6中特征投影矩阵的构造过程包括步骤

S61：求解公式

其中是由n_p个正样本特征A₊和n_n个负样本特征A_-构成，K是特征的维数，λ是权重参数，向量中的元素代表训练集A中的相应样本的性质，即+1代表正样本，-1代表负样本，得出特征投影矩阵；

S62：通过A'＝SA和x'＝Sx，获得样本模板和候选样本的正样本高判别性影特征和负样本高判别性特征。

进一步地，所述步骤S5中所述低维特征是特征维数为300低维特征。

进一步地，步骤S6中所述正样本高判别性特征和负样本高判别性特征是维数为60-80维的正样本高判别性特征和负样本高判别性特征。

更进一步地，所述正样本高判别性特征和负样本高判别性特征是维数为70维的正样本高判别性特征和负样本高判别性特征。

本发明的有益效果在于，与现有技术相比，本发明基于压缩感知提取特征可有效降低特征维数，大大降低算法的计算复杂度，提高了算法的实时性，同时利用本发明提出的特征投影矩阵进行自适应特征选择可以筛选出高判别性特征，增强追踪算法系统的鲁棒性，因此，本发明在目标追踪上具有很好的鲁棒性和实时性，具有很强的应用价值。

附图说明

图1是本发明基于压缩感知的鲁棒目标追踪方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明一种基于压缩感知的鲁棒目标追踪方法，包括初始化阶段和追踪阶段。

在初始化阶段，包括步骤

S1：对任意一段视频图像中的第t帧标记出目标位置I_t(x,y,w,h)，其中x,y表示目标的左上角的坐标，w,h表示目标区域矩形的宽度和高度。

S2：对目标位置所在的目标区域生成，n×m维的稀疏投影矩阵R，其中n是特征压缩后的维数，这里取n＝300，m是压缩前特征的维数，其中

设置参数：学习因子λ＝0.9，正样本范围α＝5，负样本范围ξ＝10,β＝25，目标搜索范围γ＝40；

S3：在目标I_t(x,y,w,h)的周围，采样正样本模板Dα＝{z|||I(z)-I_t||＜α}和负样本模板D^ξ,β＝{z|ξ＜||I(z)-I_t||＜β}，α,β,ξ为刚设置的搜索参数，z表示样本；

S4：设有模板集合T＝{h_ij}_{i＝1:w,j＝1:h}，其中元素定义为：

对于宽为w，高为h的分块，用样本与模板集T进行卷积，总共能生成m＝(wh)²个多尺度归一化特征，把这些特征进行串联得到一个m维的列向量X。

S5：用所述稀疏投影矩阵对m维特征进行压缩得到特征维数是n＝300的低维特征F＝R×X.

S6：对这些投影后的低维特征再训练，得到一个特征投影矩阵，自适应选择出大概70维的高判别性特征，该特征投影矩阵由以下方法获得，首先求解下式：

其中是由n_p个正样本特征A₊和n_n个负样本特征A-构成，K是特征的维数，λ是权重参数。向量中的元素代表训练集A中的相应样本的性质，也就是+1代表正样本，-1代表负样本。

该式子的稀疏解向量s中的非零元素代表K维特征中相应的特征具有高判别性。由于l₁约束的稀疏性，通过求解该式子我们的算法可以自适应选择具有判别性的特征。利用解向量s我们可以构造投影矩阵S。S通过去除对角矩阵S'中的全零行获得，S'的元素由下式给出：

因此通过A'＝SA和x'＝Sx可获得样本模板和候选样本的高判别性投影特征。

S7：用步骤S6获得的高判别性正负模板特征训练贝叶斯分类器

朴素贝叶斯分类器定义为：

其中p(y＝1)＝p(y＝0)，y∈{0,1}是个正负样本标志，y＝0代表负样本，而y＝1代表正样本。这里假定条件概率p(v_i|y＝1)和p(v_i|y＝0)服从高斯分布

即：

其中和分别为正样本概率的均值和方差，而和分别为负样本概率的均值和方差。

其中对于i＝1···m的情况，高斯分布参数的初始值皆为

在追踪阶段，包括步骤：

S8：在t+1帧，采样D^γ＝{z|||I(z)-I_t||＜γ}获得候选样本，重复步骤S3-S6，对候选样本提取多尺度归一化特征，并用稀疏投影矩阵进行特征压缩和利用特征投影矩阵进行特征选择。

S9：把候选样本的特征送入贝叶斯分类器，分类为正概率最大的候选样本被认为是目标出现概率最高的位置I_t+1(x,y,w,h)，即目标位置。

S10：在目标I_t+1(x,y,w,h)的周围，重复步骤S3-S7，采样正样本模板D^α＝{z|||I(z)-I_t+1||＜α}和负样本模板D^ξ,β＝{z|ξ＜||I(z)-I_t+1||＜β}，同样对正负样本模板提取多尺度归一化特征，并用稀疏投影矩阵进行特征压缩和利用特征投影矩阵进行特征选择。

更新贝叶斯分类器参数

贝叶斯分类器的更新方法定义为：

其中是分类器的均值，μ¹是在t+1帧采集的正样本的均值，是分类器的方差，δ¹是在t+1帧采集的正样本的方差。

可按照同样的方法更新和

S11：重复步骤S8-S10继续进行目标追踪，直至视频结束。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。