一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法技术

本发明专利技术公开了一种基于局部鉴别性稀疏表示模型的鲁棒目标跟踪算法，首先，从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别；其次，用HOG特征提取方法对各图像块进行特征提取，并用LC‑KSVD算法进行鉴别性字典学习；然后，将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置；最后，为了克服在跟踪过程中目标外观的变化，提出了一种字典在线更新方法，以实现对目标的持续性建模。本发明专利技术不仅利用了目标图像块各自本身的特征，还通过引入不同类别图像块之间的鉴别信息来对目标外观进行建模以实现对目标的跟踪，故具有更强的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及一种在目标姿势发生变化、受背景杂波干扰且目标被部分遮挡的情况下，对视频序列中的目标进行有效且鲁棒性跟踪的方法，属于计算机视觉

技术介绍
目标跟踪是计算机视觉领域中的重要研究内容，它能够为视频监控、人机交互、车辆导航以及机器人学科等诸多应用领域作出重要贡献。尽管众多研究学者正在对该问题进行着深入的研究与探索，但是目标外观以及尺度的变化、光照、背景杂波以及目标被部分遮挡等干扰因素的影响使得现有的目标跟踪算法仍然无法达到令人满意的效果。近年来，随着稀疏表示理论的不断发展，很多研究学者将稀疏表示理论应用于目标跟踪问题。其中，构建稀疏表示模型和局部稀疏表示模型是两类常见的算法。基于稀疏表示模型的方法在对建模过程中将整个目标视为一个整体，而基于局部稀疏表示模型的方法则是首先将目标进行分块，然后在利用各图像块来对目标进行稀疏建模。公开号CN104361609A一种基于稀疏表示的目标跟踪方法，它通过充分利用遮挡的空间连续性和先验信息对遮挡进行稀疏学习，并在此基础上，通过更新后的稀疏表示模型来实现对目标的精确跟踪。这种方法虽然可以有效的提高目标被遮挡时的跟踪性能，但是当目标的外观发生明显变化时通常无法取得理想的跟踪结果。公开号CN104484890A基于复合稀疏模型的视频目标跟踪方法，该方法基于复合稀疏表观模型在粒子滤波框架下,将所有粒子观测的联合稀疏系数矩阵分为组稀疏性、元素稀疏性和异常稀疏性三部分组成,代表了粒子在字典上的共享和非共享特征以及加性稀疏噪声，并使用范数和范数正则化实现复合稀疏性,并采用变方向乘子法求解优化问题，从而实现对目标的跟踪。但是，当目标受背景杂波影响较大以及目标被长时间遮挡时，该方法也会导致跟踪发生漂移现象。Liu等人在2013年IEEE Transactions on Pattern Analysis and Machine Intelligence上发表论文“Robust visual tracking using local sparse appearance model and k-selection”，该文献提出一种基于K-selection的字典学习方法和一个稀疏约束正则化ES模型来对目标进行跟踪。但是，当目标的外观发生较大变化时，不能获得理想的跟踪结果。总之，现有的目标跟踪方法，其存在的诸多局限性主要表现在：(1)当待跟踪目标被长时间部分遮挡时或者目标的外观发生显著变化时，通常无法对目标进行良好的建模，从而导致跟踪器飘离目标；(2)当目标周围的背景杂波较强时，由于受到背景杂波的干扰，很多算法也无法对目标进行精确的建模，从而导致跟踪结果不理想。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法。该方法可以有效克服目标外观发生变化、目标被部分遮挡以及目标受背景杂波的干扰所带来的影响，大大提高目标跟踪的精度。技术方案：一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法，包括如下步骤：(1)步骤一：从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别。首先，用一个大小为m×n的滑动窗口在待跟踪视频序列的第一帧图像I中目标区域进行多次截取，从而得到一组目标模板集T＝[t1,...,tN]。其中，ti代表第i个目标模板。接着，对每个目标模板进行分块处理，从而得到r个不重叠的图像块，即：ti＝[yi,1,...,yi,r]其中，yi,j代表第i个模板中的第j个图像块。由于每个图像块均包含了目标某一部分的信息，故将来自模板同一位置的所有图像块视为一个类别，而将来自模板不同位置的图像块看做不同的类别，故最后可以得到待跟踪目标的r个类别信息：classall＝[class1,...,classr]其中，classj＝[y1,j,...,yN,j]。(2)步骤二：用HOG(Histogram of Oriented Gradient)特征提取方法对各图像块进行特征提取，并用LC-KSVD(Label Consistent K-SVD算法进行鉴别性字典学习。下面首先介绍一下LC-KSVD算法。该算法的目标函数如下： < D , A , X > = arg m i n D , A , X | | Y - D X | | 2 2 + α | | Q - A X | | 2 2 s . t . ∀ i , | | x i | | 0 ≤ T ]]>其中，D为鉴别性字典，A为一个线性变换矩阵，它能够将稀疏编码系数X映射为具有高类鉴别能力的鉴别向量。Q为输入信号Y的鉴别性稀疏编码，它可以用于分类。矩阵Q的行号代表字典中对应位置的原子，列号代表训练样本集中对应位置的样本。矩阵元素值设置如下：将代表同一类目标的字典原子和该类样本对应处的值设为1，本文档来自技高网...

【技术保护点】
一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法，其特征在于，包括如下步骤：步骤一：从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别；步骤二：用HOG特征提取方法对各图像块进行特征提取，并用LC‑KSVD算法进行鉴别性字典学习；步骤三：将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置；步骤四：为了克服在跟踪过程中目标外观的变化，提出了一种模型在线更新方法，以实现对目标的持续性建模。

【技术特征摘要】
1.一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法，其特征在于，包括如下步骤：步骤一：从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别；步骤二：用HOG特征提取方法对各图像块进行特征提取，并用LC-KSVD算法进行鉴别性字典学习；步骤三：将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置；步骤四：为了克服在跟踪过程中目标外观的变化，提出了一种模型在线更新方法，以实现对目标的持续性建模。2.根据权利要求1所述的基于局部鉴别性稀疏表示的鲁棒目标跟踪方法，其特征在于，从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别，其操作过程如下：首先，用一个大小为m×n的滑动窗口在待跟踪视频序列的第一帧图像I中目标区域进行多次截取，从而得到一组目标模板集T＝[t1,...,tN]；其中，ti代表第i个目标模板；接着，对每个目标模板进行分块处理，从而得到r个不重叠的图像块，即：ti＝[yi,1,...,yi,r]其...

【专利技术属性】
技术研发人员：王鑫，沈思秋，徐玲玲，张春燕，沈洁，朱行成，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32