本发明属于视觉跟踪领域,涉及一种基于压缩感知的实时目标跟踪算法。
背景技术:
目标跟踪是计算机视觉领域中一个非常热门的研究课题,原因在于它在车辆导航、交通监控和人机交互等方面具有重要的意义。尽管目标跟踪这个课题被研究了几十年,许许多多的跟踪算法被提出,但是它仍然是一个非常具有挑战性的问题。因为目标外观受各种因素的干扰,例如,光照变化、姿态变化、完全或部分遮挡以及突然的运动等等。因此,在上述因素的干扰下,开发一个高性能跟踪系统是一个具有挑战性的问题。
当前,在线跟踪算法经常从最近帧中获取观测样本来更新表观模型。虽然这样的算法取得了一定程度上的成功,但是,还有许多问题没有被解决。第一,这些自适应表观模型依赖于数据,但是,在刚开始的时候并没有充足的且大量的数据供在线跟踪算法学习,第二,在自学习过程中,一些未校准的样本会被添加进去,降低表观模型的性能,所以,在线跟踪算法经常会遇到漂移问题。
那么,为了解决这些问题,本发明提出了一种基于压缩感知的实时目标跟踪算法。在该算法中,表观模型基于一个来自高维多尺度图像空间的特征,这样就弥补了数据少的问题。为了降低计算的复杂度,根据压缩感知理论,通过一个满足rip条件的非常稀疏的测量矩阵对高维多尺度图像特征空间做投影,就可以得到一个低维压缩子空间,并且还很好地保留了原始高维多尺度图像特征空间的特征。
技术实现要素:
本发明提出了一种基于压缩感知的实时目标跟踪算法,目的在于克服上述现有技术的不足,得到一种鲁棒性高、准确率高的实时目标跟踪算法。
为了实现上述目的,本发明的技术方案为:
一种基于压缩感知的实时目标跟踪算法,包括以下步骤:
第一步,取第t帧图像o,将图像通过下式(1)
gray(o)=r(o)(1)
从rgb色彩空间映射到灰度值空间,其中r为图像o的r通道;
第二步,根据上一帧跟踪结果在其周围随机采样得到一个样本集即一个图像块集合dr={z|||i(z)-it-1||<r},其中,it-1为t-1帧中目标的位置,r为采样范围;
第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量
第四步,压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵
其中,s=m/4,p为出现1,0,-1的概率。
第五步,通过下式(4)
朴素贝叶斯分类器h(v)对特征向量
第六步,基于it,在当前帧中最后一次采样得到正负样本集dα={z|||i(z)-it||<α}和
第七步,利用上步获得的正负样本的特征和更新程度参数λ(λ=0.85)根据下式(5)(6)
对参数
第八步,输出第t帧跟踪到的目标位置it和更新后的分类器参数。
本发明的有益效果为:该方法区别于已有方法的特色在于,通过样本与多尺度矩形滤波器作卷积运算获得一个高维多尺度的图像特征来扩充数据(样本),避免出现没有充足的且大量的数据供在线跟踪算法学习的问题。另外,根据压缩感知理论,通过一个满足rip条件的非常稀疏的测量矩阵对高维多尺度图像特征做投影,就可以得到一个低维压缩特征,这样可以有效地降低计算的复杂程度。该算法不仅在各种干扰因素下具有鲁棒性和准确性,而且处理图像的平均速度达到每秒35帧,达到实时性的要求。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明,并给出了详细的实施方式和具体的操作过程。
实验平台为win10,实验环境为matlabr2012a。实现本发明的具体步骤为:
第一步,取第t帧图像o,将图像通过下式(1)
gray(o)=r(o)(1)
从rgb色彩空间映射到灰度值空间,其中r为图像o的r通道;
第二步,根据上一帧跟踪结果在其周围随机采样得到一个样本集即一个图像块集合dr={z|||i(z)-it-1||<r},其中,it-1为t-1帧中目标的位置,r为采样范围;
第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量
第四步,压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵
其中,s=m/4,p为出现1,0,-1的概率。
第五步,通过下式(4)
朴素贝叶斯分类器h(v)对特征向量
第六步,基于it,在当前帧中最后一次采样得到正负样本集dα={z|||i(z)-it||<α}和
第七步,利用上步获得的正负样本的特征和更新程度参数λ(λ=0.85)根据下式(5)(6)
对参数
第八步,输出第t帧跟踪到的目标位置it和更新后的分类器参数。
通过计时器测得处理图像的平均速度达到每秒35帧,达到实时性的要求。