一种基于分块稀疏表达与hsv特征融合的目标跟踪方法
【技术领域】
[0001] 本发明涉及计算机视觉领域与智能监控领域，尤其涉及及一种基于分块稀疏表达 与HSV特征融合的目标跟踪方法。
【背景技术】
[0002] 现有的目标跟踪算法主要有四类：一是中心加权的区域匹配的跟踪算法，典型方 法为Mean-shift，该方法搜索速度快，在一定程度上能克服物体的旋转和扭曲，但目标遇到 相似颜色物体时，算法会失效；第二类是基于子块匹配的跟踪算法，将目标区域分成若干子 块，分别对子块进行跟踪，可较好解决遮挡情况下刚性目标跟踪问题，但是过于依赖子块划 分，稳定性不够好；第三类是基于轨迹预测的跟踪算法，典型方法为卡尔曼滤波，该方法通 过目标的运动信息，如位置、速度、加速度等信息来预测目标在下一帧的位置，对于线性运 动的目标具有较好的跟踪效果，对非线性运动往往会失效；最后一类是基于贝叶斯理论的 跟踪算法，典型方法为粒子滤波算法，可适用于任何非线性非高斯的运动系统，但在长时间 跟踪时，粒子群不同程度的退化会影响算法的稳定性和可靠性。
[0003] 基于稀疏表达的目标跟踪算法是近些年发展较快的一种新型跟踪算法，由于具 有表示方式简单，能够挖掘出图像数据内部的信息，鲁棒性强以及对光照变化与遮挡情况 较好的处理等优点，因而有着广阔的应用前景，如文献"W. Zhong，H. Lu，and M. -H. Yang. Robust Object Tracking via Sparsity-based Collaborative Model. In CVPR，2012?"但 是，由于稀疏跟踪算法通常处理的是灰度图像，对颜色信息不够敏感，对于姿态变化的运动 物体跟踪效果不佳，同时，在获取稀疏字典与求解稀疏线性方程时会消耗大量时间，影响了 算法的实时性。
【发明内容】
[0004] 有鉴于此，本发明提供了一种基于分块稀疏表达与HSV特征融合的目标跟踪方 法，可在光照、尺度变换、严重遮挡、物体姿态变换等的恶劣条件下实现目标跟踪的鲁棒性 与精准性。
[0005] 为了解决上述技术问题，本发明是这样实现的：
[0006] 本发明的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，包括如下步 骤：
[0007] 步骤1、根据第一帧的目标模板信息建立目标的稀疏字典，具体为：
[0008] 针对输入的视频图像，当只接收到一帧视频时，在第一帧视频中人工标记出待跟 踪的目标区域，并将第一帧的目标区域暂时选定为目标模板；获得目标模板向量，采用在线 字典学习的方法构造字典D，使得在该字典D下目标区域向量的表示最稀疏；
[0009] 步骤2、针对选定的目标模板，根据稀疏表达理论，对于目标模板向量I，基于字典 D，通过求解11优化问题得到其稀疏系数并构建该目标模板的稀疏直方图ru;
[0010] 然后，将目标模板的RGB图像转为HSV图像，并将H，S，V量级化，并将各颜色分量 合成为一维特征矢量L，然后获取目标模板256bin的HSV直方图Lq;
[0011] 步骤3、从接收第2帧视频图像开始，在当前帧图像上以选定的目标模板的位置为 参照中心，在搜索区域范围％内根据目标运动模型确定N个候选目标；对于任意一个候选 目标向量1，得到候选目标稀疏直方图L，利用巴氏距离计算目标模板直方图％与各个 候选目标直方图的距离，即得到各目标对应的稀疏观测相似度；
[0012] 获取各个候选目标的HSV直方图Q，利用相交法计算目标模板HSV直方图U与各 个候选目标直方图的距离，即得到各目标对应的HSV观测相似度；其中i = 1，2,. . .，N ;
[0013] 步骤4、针对当前帧图像中的任意候选目标，将候选目标的稀疏观测相似度与HSV 观测相似度加权相乘，即求所述候选目标的稀疏观测相似度与HSV观测相似度平方的乘 积，作为该候选目标最终观测相似度；则各候选目标中最终观测相似度最大的为可能目 标；
[0014] 步骤5、判断当前帧的各个候选目标对应的稀疏观测相似度中最大值是否大于或 等于设定的阈值：
[0015] 如果否，表示当前帧图像被严重遮挡，接收下一帧图像后执行步骤6 ;
[0016] 如果是，表示当前帧图像未被严重遮挡，则步骤4确定的可能目标为最终的目标， 执行步骤8 ;
[0017] 步骤6、以步骤4确定的可能目标的位置为参照中心，将上一帧图像对应的搜索区 域范围扩大后，在当前接收的图像上根据目标运动模型确定N个候选目标；根据步骤3的方 法获得本步骤中确定各个候选目标对应的稀疏观测相似度；然后判断其中最大稀疏观测相 似度是否大于所述设定的阈值：
[0018] 如果大于或等于，先根据步骤3的方法得到本步骤中确定的各候选目标对应的 HSV观测相似度，然后执行步骤7 ;
[0019] 如果小于，接收下一帧图像后，返回并重新执行本步骤；
[0020] 步骤7、根据步骤4的方法获得当前帧图像中各候选目标最终观测相似度；观测相 似度最大值的候选目标即为跟踪得到的最终目标，执行步骤8 ;
[0021] 步骤8、首先判断是否需要更换目标模板：
[0022] 如果不需要，接收下一帧图像后，返回步骤3 ;
[0023] 如果需要，先根据步骤2的方法计算所述最终目标的稀疏直方图与HSV直方图；然 后通过加权的方式与当前所选定的目标模板直方图％与、分别融合，作为下一帧的目标 跟踪中目标模板稀疏直方图和HSV直方图；最后，接收下一帧图像，返回步骤3,继续进行下 一帧的目标跟踪。
[0024] 较佳的，所述步骤6中，将所述上一帧图像对应的搜索区域范围扩大1. 5倍后，作 为当前帧图像的搜索范围区域。
[0025] 较佳的，所述步骤1中，通过滑动的窗口将目标模板图像分为K个子块，利用结构 信息串联法得到各子块向量 yie RmX1，最后将其结合成目标模板向量he ITXK，其中m为 子块的维度。
[0026] 较佳的，所述K的取值为49。
[0027] 较佳的，判断是否需要更换目标模板的条件为：判断当前帧的序号是否为5的倍 数，如果是，更换目标模板；如果否，不更换目标模板。
[0028]较佳的，所述步骤8中的融合方法为：将当前帧的最终目标对应的稀疏直方图ni 和HSV直方图Li通过加权的方式与上一帧目标模板直方图n 〇与L ^相融合，即：
[0029] qn= y n 0+(l-]i) n1 Ln= yL0+(l-li)Li
[0030] 得到下一帧的目标跟踪中目标模板稀疏直方图njPHSV直方图Ln，其中y为学 习因子，设定为0. 8。
[0031] 较佳的，所述步骤2中，其中H量化为16级，S和V分别量化为4级。
[0032] 较佳的，所述步骤4中，将所述候选目标的稀疏观测相似度与HSV观测相似度归一 化后再进行加权相乘得到最终观测相似度。
[0033] 本发明具有如下有益效果：
[0034] (1)本发明公开的一种基于分块稀疏表达与HSV模型的目标跟踪方法，基于稀疏 表达与HSV直方图的融合跟踪算法不但保持稀疏表达对光照变化与遮挡的强鲁棒性的优 点，还增加了对物体色彩的分辨度且不易受相似颜色