[发明专利]一种基于重要性加权的结构稀疏跟踪方法

说明书

技术领域

本发明涉及视觉跟踪领域，尤指一种基于重要性加权的结构稀疏跟踪方法。

背景技术

视觉跟踪技术是一项融合图像处理、模式识别、人工智能、自动控制等多个领域的高技术课题它也是实现智能机器人和智能化武器的关键技术之一，在军事指导、视觉导航、安全监控、智能交通、视频编码、医疗诊断和气象分析等领域有着广阔的应用前景和实际意义。而视觉跟踪技术在视觉跟踪中存在的一些主要挑战因素分为两类，一类是由于目标内在变化引起的，如目标旋转和形态尺度的变化等；另一类为是由于目标外在的因素导致的，如场景中的光照变化、遮挡等；而这些问题都给实现稳定和准确的跟踪造成非常大的干扰。具体来说，目标形态的变化和尺度的变化会导致在不同的序列帧中，目标表现的巨大差异；而场景光照的变化可能会引起目标表观的明暗变化，甚至是严重的阴影；在遮挡的情况下会造成目标表观的残缺或给目标区域引入噪声；目标在场景中的快速变化，会造成运动模糊，导致目标不能够容易的被分辨出来；而场景中的背景杂乱，也会导致难以从背景信息中区分出目标，从而影响跟踪的效果。上述问题是本领域急需解决的问题。

发明内容

为解决上述技术问题，有鉴于视觉跟踪中的特征描述目标能力的有限性和局部稀疏表示模型的有效性，本发明提出了一种基于重要性加权的结构稀疏跟踪方法。

为实现上述目的，本发明提供了种基于重要性加权的结构稀疏跟踪方法,其包含步骤：

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。

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。

以及步骤：

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。

其中较佳的：

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。

所述权重字典D_w获得步骤：

目标图像X的局部块为x_k∈R^m×1，k＝1,2,...,K，x_k，权重字典由与聚类中心最相似的局部区域构成，即为与第i个聚类中心最相似的局部图像，c是聚类中心的数量；

已知权重字典D_w，目标局部图像x_k的稀疏表示系数β_k由式(2)计算，