[发明专利]一种基于多特征的自适应压缩跟踪算法

摘要

本发明属于视觉跟踪领域，一种基于多特征的自适应压缩跟踪算法，首先，取第t帧的图像将其灰度化，利用压缩感知理论，通过两个非常稀疏的随机矩阵将提取的高维多尺度图像特征分别映射到低维的子空间，得到两个低维的图像特征，利用分类器对特征进行分类，选出分类器反应值最大的那个样本即为跟踪的目标。之后计算当前帧跟踪目标的哈希指纹与上一帧跟踪目标的哈希指纹之间的汉明距离，将汉明距离与高低阈值进行比较，自适应调整分类器的更新程度参数。该算法不仅在各种干扰因素下具有高的鲁棒性和高的准确性，而且处理图像的平均速度达到每秒19.8帧，基本达到实时性的要求，具有重要的现实意义。

主权项

一种基于多特征的自适应压缩跟踪算法，其特征在于，包括如下步骤：第一步，取第t帧图像O，将图像通过下式(1)GRAY(O)＝R(O)   (1)从RGB色彩空间映射到灰度值空间，其中R为图像O的R通道；第二步，根据上一帧跟踪结果通过粒子滤波方法进行采样得到一个样本集，即一个图像块集合Dr＝{z|||I(z)‑It‑1||<r}，其中，It‑1为t‑1帧中目标的位置，r为采样范围；第三步，构建一个高维多尺度的图像特征向量表示每一个样本；对于每一个样本将z与一系列多尺度的矩形滤波器进行卷积计算，获得该样本的图像特征向量；所述矩形滤波器定义为hi,j(x,y)=1,1≤x≤i,1≤y≤j0,otherwise---(2)]]>其中，i和j分别为矩形滤波器的宽和高，样本每经过一个滤波器滤波后得到一个列向量然后再把这些列向量连接起来构成一个高维多尺度的图像特征向量其中，m＝(wh)2，且在106～1010；第四步，获取样本的多特征；基于压缩感知理论，通过两个矩阵和将高维多尺度的图像特征向量分别投影到低维空间中的向量和上，即v＝Rx；矩阵的定义为rij=s×1,p=12s0,p=1-1s-1,p=12s---(3)]]>其中，s＝m/4，p为出现1,0，‑1的概率；然后基于生成新的特征提取矩阵则新的特征提取矩阵的生成公式如下所示：其中，i分别表示特征提取矩阵和的第i行，k表示中第i行中第k个非0值；第五步，计算t‑1帧跟踪目标的哈希指纹Hat‑1并保存；第六步，通过下式(5)将朴素贝叶斯强分类器H(v1，v2)对特征向量v1(z)和v2(z)进行分类，H(v1,v2)=log(Πi=1kp(vi1|y=1)p(y=1)Πi=1kp(vi1|y=0)p(y=0))+log(Πi=1kp(vi2|y=1)p(y=1)Πi=1kp(vi2|y=0)p(y=0))=Σi=1klog(p(vi1|y=1)p(vi1|y=0))+Σi=1klog(p(vi2|y=1)p(vi2|y=0))---(5)]]>其中，p(y＝1)＝p(y＝0)，且y∈{0,1}是一个二值变量，代表样本的标签，i代表一个特征向量中第i个分量；分类器响应值最大值所对应的样本为跟踪到的目标，位置记为It；然后，通过第五步计算当前帧跟踪目标的哈希指纹Hat并保存；第七步，计算当前帧跟踪目标的哈希指纹Hat与上一帧跟踪目标的哈希指纹Hat‑1之间的汉明距离d，将d与高低阈值进行比较，自适应调整更新程度参数λ；第八步，基于It，在当前帧中最后一次采样得到正负样本集Dα＝{z|||I(z)‑It||<α}和其中在算法中，α＝1，β＝10，并根据R1和R2提取正负样本的低维特征v1(z)和v2(z)；第九步，利用上步获得的正负样本的特征和更新程度参数λ根据下式(7)(8)μi1←λμi1+(1-λ)μ1---(7)]]>σi1←λ(σi1)2+(1-λ)(σ1)2+λ(1-λ)(μi1-μ1)2---(8)]]>对参数)进行更新，其中,且n为样本的个数；按照以上方法同样对参数进行更新，之后根据式(5)对朴素贝叶斯强分类器进行更新；第十步，输出第t帧跟踪到的目标位置It，自适应更新程度参数λ和更新后的分类器参数。