[发明专利]一种基于压缩传感的粒子滤波视觉跟踪方法

摘要

本发明属于计算机视觉领域，涉及一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤：视频图像采集；视频图像预处理；初始化；状态空间划分；重要性抽样；峰值跟踪；更新重要性权值；状态估计和重采样。本发明有效地降低了问题的复杂度；可以并行实现加快实现速度；保证收敛性并确定目标的真实位置的问题；有效地缓解了误差累计，增加了样本的多样性。

主权项

一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤： 步骤1视频图像采集：通过摄像机和图像采集设备采集视频图像信息； 步骤2视频图像预处理：对从步骤1中获得的视频图像进行光照校正、图像降噪等预处理，还原视频图像原始信息； 步骤3初始化：对从步骤2中获得的处理过后的视频图像的进行初始化，从初始分布中抽样得到初始粒子集步骤4状态空间划分：将当前帧的状态空间划分为维数很小的有效状态St和剩余状态Lt，其中剩余状态Lt是离散空间信号，其稀疏模式随时间变化缓慢，并利用压缩传感理论将剩余状态Lt表示为稀疏向量Λt和其支撑集Sup(Λt)的集合； 步骤5重要性抽样：对从步骤4中获得的有效状态St和稀疏向量Λt的支撑集Sup(Λt)分别进行重要性采样； 步骤6峰值跟踪：对从步骤4中获得的剩余状态Lt的稀疏向量Λt进行峰值跟踪，根据分区方式判断目标遮挡程度调整重构算法的优化目标，并求得符合优化目标的向量并对支撑集Sup(Λt)进行更新；步骤7更新重要性权值：对从步骤5和步骤6中采样的粒子计算重要性权值，并将其归一化处理得到归一化重要性权值步骤8状态估计：对从步骤7中得到权值加以选择并以最小均方误差估计的方式得到估计状态； 步骤9重采样：判断是否需要重采样，若需要则根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一帧，t＝t+1，重新回到步骤4； 其中，所述峰值跟踪包括下列步骤： 步骤61对感兴趣区域进行分区并判断目标遮挡的程度； 步骤62根据遮挡的程度判断目标是否存在遮挡，若存在遮挡执行步骤63，否则执行步骤64； 步骤63将遮挡产生的异常值Vs当作观测噪声的一部分，确定优化目标对异常值的处理项γ′||Vs||1，γ′表示补偿参数； 步骤64确定合适的优化目标，即不存在遮挡时，优化目标为: 其中Yt表示观测向量，Φ为测量矩阵，表征信号变化的程度，β和γ均表示补偿参数；当存在遮挡时对优化目标增加γ′||Vs||1项；步骤65利用重构算法找到符合优化目标的向量步骤66更新支撑集Sup(Λt)＝{j:|(Λt)j|>α}，α为更新阈值； 所述状态估计包括下列步骤： 步骤81对采样粒子的权值加以选择，确定合适的粒子个数N′； 步骤82根据确定的粒子个数，以最小均方误差估计的方式得到估计状态：