一种基于低秩矩阵表示的目标跟踪方法
【技术领域】
[0001] 本发明属于模式识别与计算机视觉领域，尤其涉及一种基于低秩矩阵的目标跟踪 方法。
【背景技术】
[0002] 随着计算机技术的迅猛发展以及诸如"智能地球"、"智能交通"、"智能家居"等概 念的提出，人们对未来智能化的生活充满了期待，加快智能化建设的呼声也越来越高。智能 化的主要思想是利用计算机来代替人力，在特定场景下自动完成观察、判断、预警等任务， 从而节省人力资源，便利人们的日常生活。在智能化的概念下，计算机可以完成的任务千差 万别，但不论计算机的具体任务为何，都需要先运用计算机视觉领域的知识完成对外界的 观察，因此智能化建设对计算机视觉领域的技术积累和发展提出了较高的要求。
[0003] 目标跟踪作为计算机视觉领域的重要课题，一直都有着不少的科研人员将目光专 注于其上。一般而言，基于视频或者图像序列的目标跟踪是通过处理视频或者图像，对目标 进行检测、提取、识别和跟踪，获取目标的运动参数(如速度、位置、旋转角度等），锁定目标 的运动轨迹，从而实现进一步理解目标的行为，甚至完成更加高级的任务。因此，目标跟踪 在计算机视觉领域具有十分重要的意义。只有目标跟踪的效果得以稳定，才能使后续的诸 如行为理解等更高级的任务得以进行。
[0004] 目标跟踪在实际应用中也有广泛的前景，而其在安全监控、人机交互、军事、医学 等领域更是已有广泛的应用。在摄像头已几乎遍布生活中各个角落的今天，我们对智能监 控的需求达到了有史以来的顶峰。如果每个摄像监控都需要人力去观察，将会造成巨大的 人力资源浪费，而智能监控能够自动的对这些海量的监控视频进行处理，达到我们想要达 到的目的。而无论智能监控的具体目标是什么，其效果实现都必须建立在目标跟踪成功的 基础上。如对独居老人的智能安全监控需要先实现对老人的跟踪，之后再对跟踪目标提取 相关信息进行老人的行为判断，从而在老人发生意外摔倒等情况下及时通知医护人员；在 人机交互方面，需要使用跟踪技术，来使人的肢体语言、表情等成为控制途径，从而实现一 系列的功能，带给客户极佳的用户体验;在医学上，通过对病人病变部位的细胞或区域进行 长期跟踪，能够帮助医生更快速准确的治疗疾病;在军事上，通过跟踪技术来对导弹的飞行 进行控制，并在敌方目标快速准确定位上具有重要作用。因此，跟踪技术的研究具有十分重 要的现实意义。
【发明内容】
[0005] 针对现有技术，本发明提供一种进行目标跟踪的方法，其能够对复杂场景下的目 标进行跟踪，并且具有较强的鲁棒性。
[0006] 为实现上述目的，本发明采用的如下技术方案：
[0007] -种基于低秩矩阵表示的目标跟踪方法，其特征在于，包括以下步骤：
[0008] 步骤一：在第1帧选取初始目标位置，根据初始目标位置选取目标模板和背景模 板，先对目标模板进行分块处理，然后对目标模板和背景模板进行仿射变换，完成局部字典 和全局字典的初始化；
[0009]步骤二:根据第S-1帧的目标位置，选取第S帧的跟踪目标T，再将第s帧的跟踪目标 T仿射变换为与全局字典中原子相同大小的块？，并得到状态参数Fs，s> = 2;
[0010]步骤三：以第s帧目标状态参数匕为均值，δ2为方差的高斯分布随机在第 s帧采集粒 子，对粒子进行分块处理和仿射变换，构建分块矩阵和全局矩阵，用局部字典表示各个分块 矩阵，得到对应局部系数矩阵；用全局字典表示全局矩阵，得到全局系数矩阵；
[0011] 步骤四：通过全局系数矩阵以及局部系数矩阵计算得到各粒子总权重ω,，然根据 粒子坐标位置和权重ω ,，得到s帧目标位置Ls，Ls = H ;
[0012] 步骤五:根据s帧的目标位置，对局部字典和全局字典进行更新；
[0013] 步骤六：s = s+l，转至步骤二。
[0014] 上述技术方案中，步骤一包括如下步骤：
[0015] S11:选取目标模板和背景模板
[0016] 以p个像素点为步长，目标位置L为中心，在垂直方向上上下移动最多一个步长，在 水平方向上左右移动最多一个步长，从而取到8个与目标大小形状相同的块作为模板，目标 本身同样作为一个模板，最后再在目标附近(与目标位置不超过目标的长宽最小值)随机取 m个块作为模板，构成以m+9个模板组成的目标模板集合{Ει，Ε2, '"Ειη+θ}，在不小于1.5倍d的 位置随机选取η个大小与目标相同的块作为背景模板集合{Β^Β^ - ,Βη}，d为为目标长和宽 最小值，
[0017] S12:对目标模板进行分块处理
[0018]将目标模板Ej(j em+9)成3*3的小块，并编号，然后将每个小块以列向量的形式表 示，得到e/}，其中，各向量的元素值为对应像素点的灰度值；
[0019] S13:对目标模板和背景模板进行仿射变换
[0020] 对目标模板E j (j e rn+9)和背景模板Bk (k e n)进行仿射变换，得到与S12中小块相同 大小的块，并将其以向量形式表示，得到&和&;
[0021] S14:完成局部字典和全局字典的初始化
[0022] 用所有目标模板和背景模版的仿射变换小块％1和€来初始化全局字典Ζζ，得到 初始化的全局字典
，再将每个目标模板& (j em+ 9 )的小块{e/, e/,, e/}来初始化局部字典D s，从而得到初始化的局部字典
[0023]上述技术方案中，步骤二的目标状态参数F s由六个仿射系数决定， 巧=dy, s, θ, γ, φ}，其中dy，s, θ, γ._ φ分别表示目标x方向位移、y方向位移、尺 度变化、旋转角度、宽高比和斜切度。
[0024]上述技术方案中，步骤三包括以下步骤：
[0025] S31:以第s帧目标状态参数Fs为均值，δ2为方差的高斯分布来随机选取粒子集 [x sW；^=1，N为粒子集个数；
[0026] S32:将目标模板Ej( j em+9)平均分成3*3个大小相同的小块并编号，然后将每个 小块以列向量的形式表示，得到...向量的元素值为对应像素点的灰度值；
[0027] 再使用与S13相同操作对粒子进行仿射变换，得到
[0028] S33:把所有粒子分块后的结果，即均分后的小块；^)^1 = 提取出来， 其中i E9表不粒子的序号，1 eN表不小块的标号，然后将；^二1,2,... ,9彡组合为对应 的分块矩阵#，用式子表示为
库中，N表示粒子总数，再把 所有粒子的(?)用来组成全局矩阵
[0029] S34:用局部字典表示各个分块矩阵，得到对应局部系数矩阵，用全局字典表示全 局系数矩阵，得到全局系数矩阵
[0030] 上述技术方案中，步骤四中粒子权重的计算方法如下：
[0031] S41:从全局系数矩阵I；中按列提出第i个粒子的全局表示系数列向量其 中表示矩阵I；的第i列，再用中的前m+9个元素的绝对值的和减去该向量后η个 元素的绝对值之和，得到该粒子的全局权重河；
[0032] S42:从局部系数矩阵4(1 =： 1又…,9)中按列提取出第i个粒子的局部字典表示系数 列向量(^)i，其中表示矩阵避的第i列，然后取出列向量中对应小块的系数，即（4)? 中的第1，9+1，9*2+1，···，9*(m+9-l)+l个元素，m+9为目标模板个数，求它们的绝对值之和，再减去其 他元素的绝对值之和，得到局部权重ft)f，即
[0033] S43:根据S41和S42得到的琢和计算出粒子的总权1
* σ,其中参数σ决定了全局特征和局部特征在目标相似性度量上的重要性占比；
[0034] S44:将所有粒子的总权重进行归一化，然后根据粒子xf坐标位置!^5和权重 ω,，得到第s帧目标位置Ls
[0035] 上述技术方案中，步骤五中字典的更新方法如下：
[0036] S51:生成一个累积概率序列来表示每个模板的累计更新概率：
[0037]
[0038] 其中η表示目标隞反总数，然后殖机生H?间[0，D上的叛，判新r处子上式中序列