本发明专利技术公开了一种基于正则化模板和重建误差分解的快速目标跟踪方法，其特征是如下步骤进行：将常用的目标模板集合进行正则化，消除模板之间冗余性，提升模板的抗干扰能力和对目标的重建能力；并将重建误差进行分解，分别使用L2范数和L0范数对两个不同性质的重建误差分量进行建模，构建目标与正则化模板集合的距离作为选择最佳目标的依据，提升了跟踪方法的鲁棒性和准确度；同时，采用增量PCA学习方法对正则化模板集合进行更新。本发明专利技术提高了线性目标表示模型对目标的重建能力，且将跟踪速度提升到接近实时水平，从而能够适用于工程应用。
【技术实现步骤摘要】
本专利技术属于图像处理、模式识别
，主要涉及一种基于正则化模板与重建误差分解的快速单目标视觉跟踪方法。
技术介绍
视觉目标跟踪是一种智能视频分析方法，其目的就是要对用户感兴趣的目标进行持续不间断地跟踪，是计算机视觉领域热门研究课题之一。目标跟踪可以应用于智能视频监控、异常行为分析、运动事件检测等方面。公安技术人员利用目标跟踪方法可以对摄像头中出现的可疑人员进行跟踪和识别，协助侦破案件。视觉目标跟踪的研究已超过二十年，然而目标在跟踪过程中经常面临的尺度变化、光照变化、遮挡以及形变等复杂问题一直困扰着目标跟踪研究者们，研究者们通常会设计复杂的数学方法去解决上述干扰问题，但是复杂的数学方法通常又增加了目标跟踪方法的计算复杂度，导致目标跟踪方法在跟踪目标时速度很慢，不利于目标跟踪方法的工程推广。例如，2011年，Mei Xue等研究者在顶级国际期刊IEEE Transaction on PatternAnalysis and Machine Intelligence 上发表的文章《Robust Visual Tracking andVehicle Classification via Sparse Representation》中提出一种目标跟踪方法，该方法采用目标模板集和琐碎模板对目标进行稀疏表示，利用L1正则化对目标表示模型进行求解，并假设重建误差服从高斯分布，使用重建误差均方最小准则作为选择跟踪目标的依据。但是这种方法的不足之处有:(I)、该方法所用目标模板集合中目标模板之间是互相相关的，包含大量冗余信息，无法很有效地对跟踪目标进行重建；(2)、在视频的每一帧，该方法都需要求解数百次的L1正则化，求解L1正则化耗费了大量的时间；(3)、在现实跟踪场景中，当目标受到遮挡等干扰时，重建误差并不服从高斯分布，所以该方法在跟踪时往往会出现跟踪“漂移”等问题。实际上，重建误差中包含两种分量:一种为类似弱光线变化等引起的高斯噪声，这种噪声是一直存在的，且幅值一般较小；另一种是由遮挡等较严重干扰造成的残差分量，这部分分量往往包含一些幅值较大的异常点。两种分量需要区别对待，分别建模。Mei Xue所提出的这种目标跟踪方法是近几年来目标跟踪代表性方法之一，受到广泛关注。但是，从工程应用的角度来看，Mei Xue所提出的目标跟踪方法实用性较低。到目前为止，目标跟踪研究领域内依然没有出现一种跟踪准确度高、运算速度快、可以工程应用的目标跟踪方法。
技术实现思路
本专利技术旨在解决当前多数目标跟踪方法对目标重建能力低，而且时效性低下的问题，提出了 一种基于正则化模板和重建误差分解的快速目标跟踪方法，提高了线性目标表示模型对目标的重建能力，且将跟踪速度提升到接近实时水平，从而能够适用于工程应用。本专利技术为解决技术问题采用如下技术方案:本专利技术一种基于正则化模板和重建误差分解的快速目标跟踪方法的特点是如下步骤进行:步骤1、初始化阶段:步骤1.1、对输入的视频图像的第I帧图像进行人工标记，获得跟踪目标的状态向量X1和观测向量Y1 ;所述状态向量X1= (x1； Y1, Θ 1； S1, Ct1, Φ) ,X1和Y1分别表示所述跟踪目标在第I帧图像中的水平方向的坐标和竖直方向的坐标；Θ 1、Sl、a JP Ct1分别表示所述跟踪目标在第I帧图像中的旋转角度、尺度、高宽比率和斜切方向；所述观测向量yi = (Y1, y2)…，yd)T为所述跟踪目标的图像特征向量；d表示所述观测向量的维数；步骤1.2、利用经典粒子滤波跟踪方法对所述第2帧图像到第F帧图像进行目标跟踪,F≥3 ;获得前F帧图像的跟踪目标的状态向量集合X = [X1, X2,…，xF]和目标模板集合Y= [yi, ι2,…，yF]；步骤1.3、利用奇异值分解方法对所述目标模板集合Y进行正则化处理，获得初始正则化模板集合Uf = [u1； U2,…，uk, uF], Uf中任一个基向量uk = (u1； U1,…，ud)T, k =1，2,..., F ;并获得均值向量为本文档来自技高网...
【技术保护点】
一种基于正则化模板和重建误差分解的快速目标跟踪方法，其特征是如下步骤进行：步骤1、初始化阶段：步骤1.1、对输入的视频图像的第1帧图像进行人工标记，获得跟踪目标的状态向量x1和观测向量y1；所述状态向量x1＝(x1,y1,θ1,s1,α1,φ1)，x1和y1分别表示所述跟踪目标在第1帧图像中的水平方向的坐标和竖直方向的坐标；θ1、s1、α1和φ1分别表示所述跟踪目标在第1帧图像中的旋转角度、尺度、高宽比率和斜切方向；所述观测向量y1＝(y1,y2,…,yd)T为所述跟踪目标的图像特征向量；d表示所述观测向量的维数；步骤1.2、利用经典粒子滤波跟踪方法对所述第2帧图像到第F帧图像进行目标跟踪，F≥3；获得前F帧图像的跟踪目标的状态向量集合X＝[x1,x2,…,xF]和目标模板集合Y＝[y1,y2,…,yF]；步骤1.3、利用奇异值分解方法对所述目标模板集合Y进行正则化处理，获得初始正则化模板集合UF＝[u1,u2,,uk,uF]，UF中任一个基向量uk＝(u1,u1,…,ud)T，k＝1,2,…,F；并获得均值向量为u‾F=1FΣk=1Fuk;]]>步骤2、跟踪阶段：输入所述第t‑1帧中的跟踪目标的状态向量xt‑1、正则化模板集合Ut‑1和均值向量对所述输入视频的第t帧图像中的目标进行跟踪；步骤2.1、利用式(1)所示的动态模型进行高斯采样，获得第t帧图像中的N个粒子集合并在所述第t帧图像中抽取任一个粒子所对应的候选目标图像特征向量p(xti|xt-1)=N(xti;xt-1,ψ)---(1)]]>式(1)中：Ψ为对角协方差矩阵，Ψ对角线上的元素分别为6个仿射参数的方差所述粒子集合中任一个粒子所述任一个粒子所对应的权重为令i＝1,2,…,N；t≥F+1，F为正整数；步骤2.2、利用式(2)所示的线性目标表示模型对所述候选目标特征向量进行线性重建：yti=Ut-1z+e=z1u1+z2u2+···+zFuF+e---(2)]]>式(2)中：z为重建系数向量，z＝(z1,z2,…,zF)；e为重建误差向量，e＝(e1,e2,…,ed)T；步骤2.3、利用式(3)的岭回归分析方法获得所述重建系数向量z：z=(Ut-1TUt-1+λI)-1Ut-1Tyti---(3)]]>式(3)中：λ为正则化参数，I为单位矩阵；利用式(4)获得所述重建误差向量e：e=yti-Ut-1z---(4)]]>步骤2.4利用式(5)和(6)将所述重建误差向量e分解成第一分量e#和第二分量e*：ej#=ej|ej|≤δ0|ej|>δ---(5)]]>ej*=ej|ej|>δ0|ej|≤δ---(6)]]>式(5)和式(6)中，δ为阈值参数；e#=(e1#,e2#,...,ed#)T;]]>e*=(e1*,e2*,...,ed*)T;]]>j＝1,2,…,d；步骤2.5、利用式(7)获得候选目标特征向量与正则化模板集合Ut‑1的距离d(yti;Ut-1)=||e#||22+β||e*||0---(7)]]>式(7)中：||·||2表示L2范数，||·||0表示L0范数；β为惩罚参数；步骤2.6、利用式(8)更新所述任一个粒子的权值wti=1/d(yti;Ut-1)---(8)]]>式(8)中，权值最大的粒子作为第t帧图像中所要跟踪的目标的状态向量xt；并在所述第t帧图像中抽取所述目标的状态向量xt所对应的第t帧目标图像特征向量yt；若所述第t帧为所述视频图像的最后一帧，则结束目标跟踪，否则，继续进行步骤3；步骤3、更新阶段：步骤3.1、计算遮挡度ρ＝||e*||0/d，并对所述第t帧目标图像特征向量yt进行遮挡判定；(a)、若ρ小于所设定的低阈值threlow，则判定为跟踪目标未被遮挡，对所述目标图像特征向量yt不作处理，令(yt)*＝yt，进行步骤3.2；(b)、若ρ大于所设定的高阈值threhigh，则判定跟踪目标被严重遮挡，第t帧正则化模板集合Ut和均值向量的取值延续第t‑1帧的正则化模板集合Ut‑1和均值向量的取值，即Ut＝Ut‑1，并直接进入步骤4；(c)、若ρ大于等于低阈值threlow且小于等于高阈值threhigh，则判定跟踪目标被部分遮挡，目标图像特征向量yt中被遮挡部分的像素用均值向量对应位置的像素进行替换后获得新的目标图像特征向量(yt)*并进入步骤3.2；步骤3.2、采用增量PCA学习算法将步骤3.1所得目标图像特征向量(yt)*更新正则化模板集合，获得第t帧的正则化模板空间Ut以及均值向量步骤4：输出所述第t帧图像中的跟踪目标的状态向量xt、正则化模板集合Ut...
【技术特征摘要】
1.一种基于正则化模板和重建误差分解的快速目标跟踪方法，其特征是如下步骤进行: 步骤1、初始化阶段: 步骤1.1、对输入的视频图像的第I帧图像进行人工标记，获得跟踪目标的状态向量X1和观测向量Y1; 所述状态向量X1= (Χι, Υι, θ I, S1, Ct1, (J)1) ,X1和Y1分别表示所述跟踪目标在第I帧图像中的水平方向的坐标和竖直方向的坐标；Θ 1、Sl、a i和Ct1分别表示所述跟踪目标在第I帧图像中的旋转角度、尺度、高宽比率和斜切方向；所述观测向量Y1 =述跟踪目标的图...
【专利技术属性】
技术研发人员：汪萌，齐美彬，李炳南，洪日昌，蒋建国，杨勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。