[发明专利]一种基于动静态目标检测与实时压缩感知追踪研究方法

摘要

本发明公开了一种基于动静态目标检测与实时压缩感知追踪研究方法，利用自适应混合高斯前景提取从当前背景中提取出前景信息，再利用形态学处理的膨胀腐蚀使得原本处于噪声的区域删除，最后区块分析工具从背景中分离出目标，并计算出目标的数量、位置、形状、方向和大小；对长期静止不动的目标采取静态检测，将图像提取局部二值模型纹理特征并送入级联分类器中对其进行训练学习得到静态目标的位置；最后通过基于相关滤波的实时压缩感知追踪最终实时追踪当前目标，利用相关滤波的解最优性及较低的时间复杂度，并最终确定鱼类的运动轨迹。本发明降低了复杂环境的干扰对目标检测追踪结果的消极影响，达到了实时的检测追踪效果，增强了算法的鲁棒性。

主权项

1.一种基于动静态目标检测与实时压缩感知目标追踪方法，其特征在于，包括以下步骤：步骤一、在特定待追踪监控场景中采集n帧待追踪目标视频I＝{I1,…,Ii,…In}，其中Ii表示第i帧待追踪视频图像序列，利用图像滤波去噪、对比度增强预处理待追踪视频序列降低噪声且突出感兴趣待追踪区域；步骤二、在第t帧待追踪视频图像序列It时刻自适应高斯混合模型初始高斯混合数K，允许EM训练次数H，以及阈值αt1,αt2,Dt,σt；步骤三、运用EM算法进行参数估计训练模型，每次训练后次数加1；若是最后一次训练，则跳到步骤五，否则顺序执行；步骤四、对于训练得出的模型，若某一高斯分量(wi,μi,∑i)权重小于阈值αt1，说明这个分量没有实际价值，需要消除，消减一个高斯核，若某一高斯分量(wi,μi,∑i)权重大于阈值αt2，说明这个高斯分量包含了太多的信息，可以将此分量分裂，形成两个新的高斯分布和步骤五、训练终止，得到自适应高斯混合模型，并由自适应高斯混合模型提取s个前景目标(B1(x,y),...,Bi(x,y),...,Bs(x,y))；步骤六、在It+1中，根据得到的自适应高斯混合模型得到s个前景目标(B1(x,y),...,Bi(x,y),...,Bs(x,y)，其中(x,y)代表目标中心位置，计算图像局部二值模式的特征样本F，经过T次的循环以后得到T个不同的弱分类器和他们对应的权重，然后对他们加权组合就得到一个强分类器；步骤七、强分类器对输入图像以滑动窗形式检测，检测到k个前景目标(B1(x,y),...,Bk(x,y))；步骤八、合并步骤六和步骤七的检测结果，得到S＝s+k个检测前景目标：(B1(x,y),...,Bi(x,y),...,Bs(x,y),...,Bs+k(x,y))；步骤九、在快速压缩感知追踪中采取由粗到细的两步搜索机制，找到具有最大分类器响应的跟踪位置(x,y)t，也就是最终的追踪位置。