[发明专利]一种基于重要性加权的结构稀疏跟踪方法

权利要求书

1.一种基于重要性加权的结构稀疏跟踪方法,其特征在于，包含步骤：

一、对目标表观建模：

1)输入目标初始状态S₀；获得目标模板和背景模板，学习结构稀疏字典D；

2)对目标区域内的局部图像块进行聚类，构造权重字典D_w；

3)计算局部图像的重要性权重矢量W和重要性加权结构稀疏模型B。

2.根据权利要求1所述的一种基于重要性加权的结构稀疏跟踪方法,其特征在于，还包含步骤：

二、跟踪目标：

(1)输入视频序列，对目标状态进行采样，得到当前帧的候选状态以及对应的采样粒子；

(2)利用仿射变换将候选粒子区域映射至固定的矩形中；

(3)由结构稀疏字典D和局部图像的权重矢量W计算样本模型C_i；

(4)由式计算目标模型B与样本模型C_i之间的相似性；

(5)根据最大后验概率估计目标当前状态并输出跟踪结果。

3.根据权利要求2所述的一种基于重要性加权的结构稀疏跟踪方法,其特征在于，还包含步骤：

三、模板更新

令F_t为第t帧时的目标模型与当前跟踪结果的相似值，θ₁为更新下限阈值，且θ₂为更新上限阈值，如果θ₁＜F_t＜θ₂则去更新目标模型；否则输出目标在每帧中的状态矢量并直接跟踪下一帧。

4.根据权利要求1-3任一所述的一种基于重要性加权的结构稀疏跟踪方法,其特征在于，目标图像X的结构稀疏字典由所有局部块的字典组成，即D＝[D¹,D²,...,D^K]，其中局部图像为x_k∈R^m×1，k＝1,2,...,K，m和K分别为局部图像块的维度和数量，每个局部块的字典构造为一个单独的问题，x_k对应的局部稀疏字典为D^k，D^k由模板中与x_k处于相同位置的局部图像构成的，x_k由字典D^k表示为

x_k＝α_kD^k+e_k (1)

其中，α_k是x_k在字典D^k上的稀疏系数，e_k是x_k在字典D^k上的分解残差。