干扰，有利于对算法姿态变化目标的 鲁棒跟踪；同时，遮挡判断处理可降低算法受到严重遮挡的影响，而更新策略能保证跟踪过 程中适应复杂的背景与形态变化的目标，提高了跟踪算法的可靠性。
[0035] (2)本发明在目标分块中减少分块个数，比一般稀疏跟踪算法有更快的运算效率。
【附图说明】
[0036] 图1为本发明的方法流程图；
[0037] 图2为本发明跟踪目标分块示意图；
[0038] 图3为本发明与其他算法的中心误差比较图（单位：像素）。
[0039] 图4为本发明与其他算法在视频序列中跟踪效果图。
【具体实施方式】
[0040] 下面结合附图并举实施例，对本发明进行详细描述。
[0041] 本发明的一种基于分块稀疏表达与HSV模型的目标跟踪方法，如图1所示，包括以 下具体步骤：
[0042] 步骤1、初始化系统框架并建立目标的稀疏字典，具体为：
[0043] S11、首先输入视频序列的第一帧，人工标记出待跟踪的目标。如图2所示，本实例 输入的一段视频，在视频第一帧用鼠标选取玩具老虎作为待跟踪目标，建立目标模板。
[0044] S12、确定稀疏字典生成形式
[0045] 根据Online dictionary learning的理论，采用以下的字典生成模型：
[0046]
【主权项】
1. 一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特征在于，包括如下步 骤： 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： 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； 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Ytl，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Hci; 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Ltl; 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Utl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Yi,得到候选目标稀疏直方图Ili,利用巴氏距离计算目标模板直方图Htl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； 获取各个候选目标的HSV直方图Li,利用相交法计算目标模板HSV直方图Ltl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; 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； 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： 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 ; 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 ; 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： 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; 如果小于，接收下一帧图像后，返回并重新执行本步骤； 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 ; 步骤8、首先判断是否需要更换目标模板： 如果不需要，接收下一帧图像后，返回步骤3 ; 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nC1与LC1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。
2. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，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。
3. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，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yieRmX1，最后将其结合成目标模板向量YtlERnXK，其中m为子块的维 度。
4. 如权利要求3所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，所述K的取值为49。
5. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其 特征在于，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。
6. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，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nHSV直 方图L1通过加权的方式与上一帧目标模板直方图n〇与LC1相融合，即： nn= y n〇+(i-u) nx Ln= yL0+(I-^)L1 得到下一帧的目标跟踪中目标模板稀疏直方图1"和HSV直方图Ln，其中y为学习因 子，设定为〇. 8。
7. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，所述步骤2中，其中H量化为16级，S和V分别量化为4级。
8. 如权利要求1所述的一种基于分块稀疏表达与HSV特征融合的目标跟踪方法，其特 征在于，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。
【专利摘要】本发明公开了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干扰，有利于对算法姿态变化目标的鲁棒跟踪；同时，遮挡判断处理可降低算法受到严重遮挡的影响，而更新策略能保证跟踪过程中适应复杂的背景与形态变化的目标，提高了跟踪算法的可靠性；本发明在目标分块中减少分块个数，比一般稀疏跟踪算法有更快的运算效率。
【IPC分类】G06T7-20
【公开号】CN104820997
【申请号】CN201510246602
【发明人】陈文颉, 肖驰, 窦丽华, 陈杰, 邓方, 高惠琳, 黄欣宇, 张利民, 郝克, 吴小文
【申请人】北京理工大学
【公开日】2015年8月5日
【申请日】2015年5月14日