[发明专利]基于多特征和自适应字典学习的目标跟踪方法及系统

说明书

本发明公开了一种基于多特征和自适应字典学习的目标跟踪方法及系统，其中，所述方法包括：获取目标初始位置的第一帧图像的前景模板和目标的周围背景模板；根据所述目标前景模板和目标周围背景模板构建初始字典，获取初始纹理特征字典和初始颜色特征字典；基于LC‑KSVD算法分别对所述初始纹理特征字典和所述初始颜色特征字典进行学习处理，获取判别纹理特征字典和判别颜色特征字典；根据所述判别纹理特征字典和所述判别颜色特征字典基于稀疏特征匹配算法进行目标位置跟踪匹配，获取目标下一帧的跟踪位置。在本发明实施例中，利用判别字典，能够补充目标外观的表征能力，以及减少背景噪声干扰提高跟踪精度。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种基于多特征和自适应字典学习的目标跟踪方法及系统。

背景技术

在计算机视觉领域，可视化追踪问题由于它的复杂场景依然是一个具有挑战性的研究，例如目标遮挡、目标变形、转动、规模变化和杂乱的背景等问题。近年来，一直都有许多基于不同理论框架改良而得的可视化追踪算法。大多数这些算法可以大致分为生成模型与判别模型，生成模型通常发现最相似的候选者或者在后续帧中找到与原始目标的相似度最高的候选者，但当对象匹配或者预测算法不够精确，这种追踪算法很容易遭到否决。判别模型通过查找决策边缘对目标的前景和背景进行分类，这种判别式追踪算法的性能优劣取决于训练的样本数量和更新的策略。

近来，基于相关滤波器的追踪器和基于深度学习的追踪器，分别由于它们的对深度特征的强大表征和快速追踪性能，受到了相当的关注。基于追踪器的稀疏表示法利用字典对目标外观进行建模，并通过比较目标与样本的重建误差来定位目标。

目标外观的表示模型是跟踪方法的一个重要问题。为了解决这个问题，Ross etal.使用增量特征空间来适应外观变化。Wang et al.通过部分最小二乘(PLS)分析学习一组特征空间来表示对象，该分析同时考虑所有目标和周围背景。虽然当发生目标变形、单一特征的目标外观缺乏考虑目标的颜色分布和梯度信息以及固定字典的整体外观忽略了目标前景的变化线索情况时，这些方法有很强的追踪鲁棒性。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于多特征和自适应字典学习的目标跟踪方法及系统，利用纹理特征和颜色特征相结合构造判别字典，能够补充目标外观的表征能力，以及减少背景噪声干扰提高跟踪精度。

为了解决上述技术问题，本发明实施例提供了一种基于多特征和自适应字典学习的目标跟踪方法，所述目标跟踪方法包括：

获取目标初始位置的第一帧图像的前景模板和目标的周围背景模板；

根据所述目标前景模板和目标周围背景模板构建初始字典，获取初始纹理特征字典和初始颜色特征字典；

基于LC-KSVD算法分别对所述初始纹理特征字典和所述初始颜色特征字典进行学习处理，获取判别纹理特征字典和判别颜色特征字典；

根据所述判别纹理特征字典和所述判别颜色特征字典基于稀疏特征匹配算法进行目标位置跟踪匹配，获取目标下一帧的跟踪位置。

可选的，所述获取目标初始位置的第一帧图像的前景模板和目标的周围背景模板，包括：

在目标初始位置的第一帧图像框中进行随机采样，获取目标中每个样本的第一纹理特征和第一颜色特征作为目标前景模板；

在目标初始位置的第一帧图像框的周围按高斯分布进行采样，提取目标中每个样本的第二纹理特征和第二颜色特征作为目标周围背景模板。

可选的，所述根据所述目标前景模板和目标周围背景模板构建初始字典，获取初始纹理特征字典和初始颜色特征字典，包括：

根据所述目标前景模板的第一纹理特征和所述目标周围背景模板的第二纹理特征构建初始字典，获取初始纹理特征字典；