[发明专利]一种基于自适应粒子滤波和稀疏表示的目标跟踪算法

说明书

技术领域

本发明属于计算机视觉领域，具体涉及智能监控领域，特别涉及一种基于自适应粒子滤波和分块稀疏表示模型的复杂环境下的目标跟踪算法。

背景技术

基于视觉的目标跟踪技术在许多计算机视觉应用领域，诸如机器人技术、视频监控、医学图像分析等起到重要的作用。尽管在最近几十年基于视觉的目标跟踪技术取得了一定的发展，但是在一些复杂的环境下，譬如有复杂背景、光照变化剧烈、目标外形改变等场合，现有的视觉跟踪技术仍不能很好地完成跟踪任务。考虑到跟踪任务的复杂性，如何设计一个鲁棒性较强的跟踪算法，同时在实时性方面有较好的表现，是计算机视觉领域一个重要的课题。

目前常见的视觉跟踪算法主要有两大类：基于创成式的方法和基于分类的方法。基于创成式的跟踪算法主要通过寻找下一帧与目标相似度最高的区域进行跟踪，可以使用单外表模型和多外表模型计算相似度。常见的单外表模型包括使用颜色、纹理以及形状等信息进行描述，颜色外表模型有：RGB直方图特征，如文献“Huang,T.,Russell,S..ObjectidentificationinaBayesiancontext[C].InternationalJointConferencesonArtificialIntelligence,1997:1276-1283.”纹理外表模型有：LBP纹理特征，如文献“陈远，陈锻生.一种融合LBP纹理特征的多姿态人脸跟踪方法[J].华侨大学学报，2010，Vol.31,No.3.”多外表模型尝试用多种单外表模型的结合，以提高模型的鲁棒性，如使用HOG颜色特征和LAB纹理特征来进行跟踪，如文献“Yang,B.,Lin,G.Y.IntegrationofLabmodelandEHOGforhumanappearancematchingacrossdisjointcameraviews[J].JournalofSoutheastUniversity(EnglishEdition),v28,n4,p422-427,December2012.”一些经典的基于创成式跟踪算法主要包括：特征根跟踪器、均值漂移跟踪器以及协方差跟踪器等。

基于分类的跟踪方法将目标跟踪问题转变为一个目标分类问题，通过将某个区域分类为目标或背景来实现持续跟踪。使用分类来进行跟踪通常涉及到分类器的学习，可以通过监督或半监督的方式来学习分类器，进而进行目标跟踪。根据分类器的不同，常见的基于分类的跟踪方法包括：使用支持向量机（SVM）进行分类跟踪，如文献“S.Avidan.“Supportvectortracking”.IEEETransactionsonPatternAnalysisandMachineIntelligence,26(8):1064-1072,2004.”使用多示例训练器（MIL）进行分类跟踪，如文献“S.Avidan.“Supportvectortracking”.IEEETransactionsonPatternAnalysisandMachineIntelligence,26(8):1064-1072,2004.”其他常见的训练器还包括稀疏贝叶斯分类器以及P-N学习分类器等等。

稀疏跟踪算法是近年来发展比较迅速的一种新兴跟踪算法，属于创成式跟踪方法。由于算法是基于一系列的模板库得到的最终结果，因此对于光照变化、复杂环境以及姿态改变等都具有较好的鲁棒性，如文献“X.MeiandH.Ling.“RobustvisualtrackingusingL1minimization”.12thInternationalConferenceonComputerVision,Kyoto,Japan,2009(1436-1443).”但是，由于模板库往往采用目标的整体模板作为特征，因此对目标遮挡的情况处理效果不佳。同时，在解稀疏系数时需要解L1优化问题，具体解法的计算量较大，往往影响了算法的实际使用。

因此，对稀疏跟踪算法进行改进优化，是其在原有的强鲁棒性的基础上，增加对遮挡情况的处理能力以及提高算法的执行速度，具有显著的现实意义。

发明内容

本发明的目的在于提出一种基于自适应粒子滤波和稀疏表示的目标跟踪算法，此方法对跟踪目标姿态变化，环境光照变化以及遮挡等情况具有很强的鲁棒性。

为解决上述技术问题，本发明采用的一个技术方案是：

提供一种基于自适应粒子滤波和稀疏表示的目标跟踪算法，具体为：

使用改进的自适应粒子滤波技术作为跟踪算法框架，利用目标的运动信息来确定采样所需要的粒子数目和采样范围；