[发明专利]基于上下文约束编码的目标跟踪方法

说明书

技术领域

本发明属于图像处理技术领域，特是涉及一种基于上下文约束编码的运动目标跟踪方法，可应用于人机交互、安防监控、医学图像等方面。

背景技术

目标跟踪一直是计算机视觉领域备受专注的关键技术之一，它广泛应用在交通管制、机器人视觉导航、安全监测、军事侦察以及气象分析等方面。尽管目前已经有大量的算法来处理运动目标跟踪问题，但由于外观噪声、光照变化、遮挡、背景杂乱、视角变化等因素的影响，使得目标被实时地、准备地跟踪变得更加复杂困难。近年来，在超完备表示理论的基础上，稀疏表示、压缩感知等方法被人们广泛应用到目标检测、目标跟踪中来，由于构造的字典更加符合人眼视觉特性，人们通过构造超完备冗余字典的形式实现图像的自适应稀疏表示。在这些跟踪方法中，目标被表示成模板系数的线性组合，而且这些组合系数是稀疏的，也就是说只有少数系数有值，大部分系数用0表示。

大连民族学院提出的专利申请“一种基于稀疏限制的MLE视频目标跟踪方法”（专利申请号201210453491.6，公开号CN103024349A）公开了一种稀疏限制的MLE视频目标跟踪方法，该方法首先选取跟踪目标的前n帧作为初始目标模板库,采用状态转移模型在上一帧目标周围选择m个样本，计算m个样本像素的权值，根据权值阈值对m个样本的像素进行异常像素筛选，对筛选后的m个样本进行稀疏编码求解，得到样本像素的重建误差，然后再根据观测似然模型获取m个样本中跟踪目标的最佳状态值，作为当前帧的跟踪结果，最后，用跟踪得到的目标替换目标模板库中的模板来对模板进行更新。该方法存在的不足是，当目标发生快速运动、遮挡、视频场景杂乱，特别是发生光照变化时，模板差异较大，使得目标模板库的准确性降低，不能实现长时间稳定的跟踪。

上海电力学院提出的专利申请“基于多模块系数投影的密集场景目标跟踪方法”（专利申请号201110451424.6，公开号CN102592138A），公开了基于多模块系数投影的密集场景目标跟踪方法。该方法用系数投影表征目标特征，首先建立基于观测模型的多模块系数表示模型：x=TA+ε，其中A为重构权值向量，T为模板重构基向量，ε表示噪声，重构矩阵T实现了对目标x的稀疏投影，然后，通过粒子滤波器预测到多个候选目标的预测位置，对每一个预测位置对应的目标预测区域进行分块，并计算其多模块观测模型，最后，根据观测模型判断出最优目标位置并更新重构矩阵。该方法虽然解决了公共场所人流密集场景下目标发生互遮挡的跟踪问题，但当目标发生快速运动、外观形变剧烈、场景发生光照变化时，跟踪结果容易发生漂移导致跟踪失败。

上述两种方法均采用系数编码来表征目标，但当目标发生快速运动、光照变化、外观剧烈变化时，其性能会大大减弱，不能实现目标准确、有效的跟踪。

发明内容

本发明针对上述现有技术的不足，提出一种基于上下文约束编码的目标跟踪方法，以实现当目标发生快速运动、光照变化、外观剧烈变化时对目标进行准确、有效的跟踪。

具体实施步骤如下：

（1）输入一段视频的第一帧，人工标记出待跟踪的目标，得到跟踪框的位置；

（2）以跟踪框位置为中心获取49个正样本和49个负样本，将涵盖所有正负样本的范围定义为搜索窗；

（3）构建第一帧字典B^t：

根据dense-sift方法，提取搜索窗的特征描述子；再根据k-means聚类方法对这些特征描述子进行聚类，得到第一帧字典B^t，上标t表示当前正在处理的图像帧数，这里，t=1；

（4）根据dense-sift方法，提取所有正负样本的每个像素点的特征描述子并根据正负样本的特征描述子和第一帧字典B^t，计算第一帧所有正负样本像素点的编码其中，下标i表示样本的第i个像素点；

（5）训练分类器参数w^t：

将正样本类标记为1,将负样本类标记为2，根据正负样本的类标及正负样本的编码利用交叉验证方法训练得到libsvm分类器参数w^t；

（6）载入新一帧视频图像，以上一帧目标的跟踪框位置为中心获取98个样本，作为本帧的检测样本，并根据dense-sift方法提取这些检测样本的特征描述子

（7）计算本帧检测样本每个像素点的编码

7a）根据本帧检测样本的特征描述子和上一帧字典B^t-1，计算本帧检测样本每个像素点的编码