基于正則化模板與重建誤差分解的快速目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開(kāi)了一種基于正則化模板和重建誤差分解的快速目標(biāo)跟蹤方法，其特征是如下步驟進(jìn)行：將常用的目標(biāo)模板集合進(jìn)行正則化，消除模板之間冗余性，提升模板的抗干擾能力和對(duì)目標(biāo)的重建能力；并將重建誤差進(jìn)行分解，分別使用L2范數(shù)和L0范數(shù)對(duì)兩個(gè)不同性質(zhì)的重建誤差分量進(jìn)行建模，構(gòu)建目標(biāo)與正則化模板集合的距離作為選擇最佳目標(biāo)的依據(jù)，提升了跟蹤方法的魯棒性和準(zhǔn)確度；同時(shí)，采用增量PCA學(xué)習(xí)方法對(duì)正則化模板集合進(jìn)行更新。本發(fā)明提高了線性目標(biāo)表示模型對(duì)目標(biāo)的重建能力，且將跟蹤速度提升到接近實(shí)時(shí)水平，從而能夠適用于工程應(yīng)用。
【專利說(shuō)明】 基于正則化模板與重建誤差分解的快速目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理、模式識(shí)別【技術(shù)領(lǐng)域】，主要涉及一種基于正則化模板與重建誤差分解的快速單目標(biāo)視覺(jué)跟蹤方法。
【背景技術(shù)】
[0002]視覺(jué)目標(biāo)跟蹤是一種智能視頻分析方法，其目的就是要對(duì)用戶感興趣的目標(biāo)進(jìn)行持續(xù)不間斷地跟蹤，是計(jì)算機(jī)視覺(jué)領(lǐng)域熱門(mén)研究課題之一。目標(biāo)跟蹤可以應(yīng)用于智能視頻監(jiān)控、異常行為分析、運(yùn)動(dòng)事件檢測(cè)等方面。公安技術(shù)人員利用目標(biāo)跟蹤方法可以對(duì)攝像頭中出現(xiàn)的可疑人員進(jìn)行跟蹤和識(shí)別，協(xié)助偵破案件。
[0003]視覺(jué)目標(biāo)跟蹤的研究已超過(guò)二十年，然而目標(biāo)在跟蹤過(guò)程中經(jīng)常面臨的尺度變化、光照變化、遮擋以及形變等復(fù)雜問(wèn)題一直困擾著目標(biāo)跟蹤研究者們，研究者們通常會(huì)設(shè)計(jì)復(fù)雜的數(shù)學(xué)方法去解決上述干擾問(wèn)題，但是復(fù)雜的數(shù)學(xué)方法通常又增加了目標(biāo)跟蹤方法的計(jì)算復(fù)雜度，導(dǎo)致目標(biāo)跟蹤方法在跟蹤目標(biāo)時(shí)速度很慢，不利于目標(biāo)跟蹤方法的工程推廣。例如，2011年，Mei Xue等研究者在頂級(jí)國(guó)際期刊IEEE Transaction on PatternAnalysis and Machine Intelligence 上發(fā)表的文章《Robust Visual Tracking andVehicle Classification via Sparse Representation》中提出一種目標(biāo)跟蹤方法，該方法采用目標(biāo)模板集和瑣碎模板對(duì)目標(biāo)進(jìn)行稀疏表示，利用L1正則化對(duì)目標(biāo)表示模型進(jìn)行求解，并假設(shè)重建誤差服從高斯分布，使用重建誤差均方最小準(zhǔn)則作為選擇跟蹤目標(biāo)的依據(jù)。但是這種方法的不足之處有:
[0004](I)、該方法所用目標(biāo)模板集合中目標(biāo)模板之間是互相相關(guān)的，包含大量冗余信息，無(wú)法很有效地對(duì)跟蹤目標(biāo)進(jìn)行重建；
[0005](2)、在視頻的每一幀，該方法都需要求解數(shù)百次的L1正則化，求解L1正則化耗費(fèi)了大量的時(shí)間；
[0006](3)、在現(xiàn)實(shí)跟蹤場(chǎng)景中，當(dāng)目標(biāo)受到遮擋等干擾時(shí)，重建誤差并不服從高斯分布，所以該方法在跟蹤時(shí)往往會(huì)出現(xiàn)跟蹤“漂移”等問(wèn)題。實(shí)際上，重建誤差中包含兩種分量:一種為類似弱光線變化等引起的高斯噪聲，這種噪聲是一直存在的，且幅值一般較?。涣硪环N是由遮擋等較嚴(yán)重干擾造成的殘差分量，這部分分量往往包含一些幅值較大的異常點(diǎn)。兩種分量需要區(qū)別對(duì)待，分別建模。
[0007]Mei Xue所提出的這種目標(biāo)跟蹤方法是近幾年來(lái)目標(biāo)跟蹤代表性方法之一，受到廣泛關(guān)注。但是，從工程應(yīng)用的角度來(lái)看，Mei Xue所提出的目標(biāo)跟蹤方法實(shí)用性較低。到目前為止，目標(biāo)跟蹤研究領(lǐng)域內(nèi)依然沒(méi)有出現(xiàn)一種跟蹤準(zhǔn)確度高、運(yùn)算速度快、可以工程應(yīng)用的目標(biāo)跟蹤方法。

【發(fā)明內(nèi)容】

[0008]本發(fā)明旨在解決當(dāng)前多數(shù)目標(biāo)跟蹤方法對(duì)目標(biāo)重建能力低，而且時(shí)效性低下的問(wèn)題，提出了 一種基于正則化模板和重建誤差分解的快速目標(biāo)跟蹤方法，提高了線性目標(biāo)表示模型對(duì)目標(biāo)的重建能力，且將跟蹤速度提升到接近實(shí)時(shí)水平，從而能夠適用于工程應(yīng)用。
[0009]本發(fā)明為解決技術(shù)問(wèn)題采用如下技術(shù)方案:
[0010]本發(fā)明一種基于正則化模板和重建誤差分解的快速目標(biāo)跟蹤方法的特點(diǎn)是如下步驟進(jìn)行:
[0011]步驟1、初始化階段:
[0012]步驟1.1、對(duì)輸入的視頻圖像的第I幀圖像進(jìn)行人工標(biāo)記，獲得跟蹤目標(biāo)的狀態(tài)向量X1和觀測(cè)向量Y1 ;
[0013]所述狀態(tài)向量X1= (x1； Y1, Θ 1； S1, Ct1, Φ) ,X1和Y1分別表示所述跟蹤目標(biāo)在第I幀圖像中的水平方向的坐標(biāo)和豎直方向的坐標(biāo)；Θ 1、Sl、a JP Ct1分別表示所述跟蹤目標(biāo)在第I幀圖像中的旋轉(zhuǎn)角度、尺度、高寬比率和斜切方向；所述觀測(cè)向量yi = (Y1, y2)…，yd)T為所述跟蹤目標(biāo)的圖像特征向量；d表示所述觀測(cè)向量的維數(shù)；
[0014]步驟1.2、利用經(jīng)典粒子濾波跟蹤方法對(duì)所述第2幀圖像到第F幀圖像進(jìn)行目標(biāo)跟蹤,F≥3 ;獲得前F幀圖像的跟蹤目標(biāo)的狀態(tài)向量集合X = [X1, X2,…，xF]和目標(biāo)模板集合
Y= [yi, ι2,…，yF]；
[0015]步驟1.3、利用奇異值分解方法對(duì)所述目標(biāo)模板集合Y進(jìn)行正則化處理，獲得初始正則化模板集合Uf = [u1； U2,…，uk, uF], Uf中任一個(gè)基向量uk = (u1； U1,…，ud)T, k =
1，2,..., F ;并獲得均值向量為
【權(quán)利要求】
1.一種基于正則化模板和重建誤差分解的快速目標(biāo)跟蹤方法，其特征是如下步驟進(jìn)行: 步驟1、初始化階段: 步驟1.1、對(duì)輸入的視頻圖像的第I幀圖像進(jìn)行人工標(biāo)記，獲得跟蹤目標(biāo)的狀態(tài)向量X1和觀測(cè)向量Y1; 所述狀態(tài)向量X1= (Χι, Υι, θ I, S1, Ct1, (J)1) ,X1和Y1分別表示所述跟蹤目標(biāo)在第I幀圖像中的水平方向的坐標(biāo)和豎直方向的坐標(biāo)；Θ 1、Sl、a i和Ct1分別表示所述跟蹤目標(biāo)在第I幀圖像中的旋轉(zhuǎn)角度、尺度、高寬比率和斜切方向；所述觀測(cè)向量Y1 =述跟蹤目標(biāo)的圖像特征向量；d表示所述觀測(cè)向量的維數(shù)； 步驟1.2、利用經(jīng)典粒子濾波跟蹤方法對(duì)所述第2幀圖像到第F幀圖像進(jìn)行目標(biāo)跟蹤，F(xiàn) ^ 3 ;獲得前F幀圖像的跟蹤目標(biāo)的狀態(tài)向量集合X = [X1, X2,…，xF]和目標(biāo)模板集合Y=[yi, ι2,…，yF]； 步驟1.3、利用奇異值分解方法對(duì)所述目標(biāo)模板集合Y進(jìn)行正則化處理，獲得初始正則化模板集合 Uf = [u1； U2,, uk, Uf] , Uf 中任一個(gè)基向量 uk = (u1； U1,…，ud)T, k = 1，2，…，F(xiàn) ;并獲得均值向量為
【文檔編號(hào)】G06T3/40GK103955951SQ201410196605
【公開(kāi)日】2014年7月30日 申請(qǐng)日期:2014年5月9日 優(yōu)先權(quán)日:2014年5月9日
【發(fā)明者】汪萌, 齊美彬, 李炳南, 洪日昌, 蔣建國(guó), 楊勛 申請(qǐng)人:合肥工業(yè)大學(xué)