一种基于稀疏表示的目标跟踪方法
【专利摘要】本发明涉及目标跟踪技术。本发明公开了一种基于稀疏表示的目标跟踪方法。本发明的技术方案，利用遮挡的空间连续性和先验信息对遮挡进行稀疏学习，在此基础上，利用更新后的稀疏表示模型求得稀疏系数，然后根据求得的稀疏系数，计算得到重构残差，再以重构残差最小的目标作为跟踪目标并对过完备字典进行实时更新，再根据粒子滤波跟踪方法，预测目标在下一时刻的位置，得到估计目标，最后以得到的估计目标和更新的过完备字典返回稀疏表示模型进行重复迭代。本发明将稀疏学习思想引入基于稀疏表示的粒子滤波跟踪算法，可以在遮挡不稀疏的情况下，对遮挡进行稀疏学习和建立遮挡模型，并根据更新后的稀疏表示模型对目标进行精确跟踪。
【专利说明】-种基于稀疏表示的目标跟踪方法
【技术领域】
[0001] 本发明涉及目标跟踪技术，特别涉及用于遮挡目标跟踪的一种基于稀疏表示的粒 子滤波跟踪方法。
【背景技术】
[0002] 在目标跟踪技术中，传统的目标跟踪方法有基于目标模式搜索匹配的Mean-Shift 跟踪算法（参见 Comaniciu D, Ramesh V，Meer Ρ· Kernel-Based Object Tacking. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25 (5) : 564-577)、基于 分类的 Boosting 目标跟踪算法（参见]Avidan S. Ensemble Tracking. IEEE Trans on Pattern Analysis and Machine Intelligence，2007,29(2):261_271)、基于卡尔曼滤波的 足艮踪算法（参见Yim J，Jeong S，Gwon K，et al. Improvement of Kalman Filters for WLAN Based Indoor Tracking. Expert Systems with Applications,2010,37 (I):426-433)和 基于粒子滤波的跟踪算法（参见 Wang Zhaowen，Yang Xiaokang，Xu Yi，et al. CamShift Guided Particle Filter for Visual Tracking. Pattern Recognition Letters,2009, 30(4) :407-413)。近年来，稀疏表达理论在计算机视觉领域发挥着重要作用，该方法有效地 解决了光照、姿态变化以及遮挡情况下的目标识别问题。X. Mei首次将稀疏表达应用于视觉 跟踪，通过求解最优稀疏解来有效地解决遮挡问题，这种方法不仅能有效应对光照变化，而 且在发生大面积遮挡时也能保持稳定。但是，此方法的前提条件是引起目标变化的遮挡是 稀疏的，然而这种稀疏性假设并不是在所有情况下都会成立，现有技术很难在遮挡不稀疏 的情况下对目标进行跟踪。
[0003] 目前，遮挡问题是视觉目标跟踪中的一个难点，由于被遮挡目标在图像上的观测 不完整，目标表达模型与观测之间的匹配度会急剧降低，很容易产生误匹配而使系统跟丢 目标。针对这个问题，研究者们将稀疏表示应用于目标跟踪，通过求解最优稀疏解来有效解 决目标遮挡问题。但是，此类方法的前提条件是引起目标变化的遮挡是稀疏的，然而这种稀 疏性假设并不是在所有情况下都会成立，现有技术很难在遮挡不稀疏的情况下对目标进行 跟踪。
【发明内容】
[0004] 本发明所要解决的技术问题，就是针对现有技术的缺点，提供一种基于稀疏表示 的目标跟踪方法，利用遮挡的空间连续性和先验信息对遮挡进行稀疏学习和建立遮挡模 型，从而保证了在遮挡不稀疏的情况下，仍能对遮挡目标进行精确跟踪。
[0005] 本发明解决所述技术问题采用的技术方案是，一种基于稀疏表示的目标跟踪方 法，其特征在于，该方法包括以下步骤：
[0006] 步骤S1，利用输入图像得到目标，并初始化过完备字典；
[0007] 步骤S2,根据所述过完备字典建立稀疏表示模型；
[0008] 步骤S3,利用所述稀疏表示模型，判断目标是否存在遮挡；
[0009] 步骤S4,如果不存在遮挡，则采用分段正交匹配跟踪方法得到稀疏系数；
[0010] 步骤S5,如果存在遮挡，则利用遮挡的空间连续性和先验信息对遮挡进行稀疏学 习和建立遮挡模型；
[0011] 步骤S6,通过稀疏学习构造一个惩罚项将遮挡的空间连续性和先验信息进行有效 的合并，并加入到稀疏表不模型，所述稀疏表不模型数学表达式为：
【权利要求】
1. 一种基于稀疏表示的目标跟踪方法，其特征在于，该方法包括以下步骤： 步骤Sl，利用输入图像得到目标，并初始化过完备字典； 步骤S2,根据所述过完备字典建立稀疏表示模型； 步骤S3,利用所述稀疏表示模型，判断目标是否存在遮挡； 步骤S4,如果不存在遮挡，则采用分段正交匹配跟踪方法得到稀疏系数； 步骤S5,如果存在遮挡，则利用遮挡的空间连续性和先验信息对遮挡进行稀疏学习和 建立遮挡模型； 步骤S6,通过稀疏学习构造一个惩罚项将遮挡的空间连续性和先验信息进行有效的合 并，并加入到稀疏表示模型，所述稀疏表示模型数学表达式为：
其中为跟S示目标；D为过完备子典；5为稀疏向量；I为存在遮挡向量；wml为相邻节 点m和节点1的关联度，em和ei分别为节点m和节点1的像素值，A和Y是权衡参量； 步骤S7,利用更新的稀疏表示模型，计算得到稀疏系数； 步骤S8,利用步骤S7得到的稀疏系数，计算得到重构残差； 步骤S9,具有最小重构残差的目标即为跟踪目标； 步骤S10,根据步骤S9得到的跟踪目标，对过完备字典进行更新； 步骤S11，采用粒子滤波跟踪方法预测步骤S9得到的跟踪目标在下一时刻的位置； 步骤S12,根据步骤Sll的粒子滤波跟踪方法，得到估计目标； 步骤S13,利用步骤SlO更新的过完备字典和步骤S12得到的估计目标返回步骤S2建 立稀疏表示模型进行重复迭代。
2. 根据权利要求1所述的一种基于稀疏表示的目标跟踪方法，其特征在于，所述过完 备字典包括目标模板和琐碎模板。
3. 根据权利要求2所述的一种基于稀疏表示的目标跟踪方法，其特征在于，所述目标 模板包括静态模板和动态模板。
【文档编号】G06T7/20GK104361609SQ201410655529
【公开日】2015年2月18日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】陈勇, 冷佳旭, 张立波 申请人:电子科技大学