技術(shù)特征：

1.一種基于模板更新的改進(jìn)型聯(lián)合稀疏表示大輸液中異物跟蹤方法，其特征在于，包括以下步驟：

步驟1：采集位于高速生產(chǎn)線上的大輸液瓶的序列圖像；

步驟2：對(duì)第一幀圖像進(jìn)行二值化，獲取第一幀圖像中待跟蹤目標(biāo)的位置和數(shù)量；

步驟3：依次以第一幀圖像中的一個(gè)待跟蹤目標(biāo)的位置為基礎(chǔ)，從第一幀圖像中采集圖像塊，生成目標(biāo)前景正字典和目標(biāo)背景負(fù)字典；

步驟4：對(duì)目標(biāo)前景正字典和目標(biāo)背景負(fù)字典進(jìn)行規(guī)范化處理后，提取目標(biāo)的稀疏判別字典，構(gòu)造待跟蹤目標(biāo)的稀疏判別分類(lèi)器；并獲得待跟蹤目標(biāo)的稀疏生成模型，且利用待跟蹤目標(biāo)的稀疏判別分類(lèi)器和稀疏生成模型構(gòu)造待跟蹤目標(biāo)的聯(lián)合稀疏模型；

步驟5：以當(dāng)前幀圖像中待跟蹤目標(biāo)的位置為基礎(chǔ)，從下一幀圖像中采集圖像塊，獲取所有候選目標(biāo)圖像塊；

步驟6：計(jì)算每個(gè)候選目標(biāo)圖像塊屬于待跟蹤目標(biāo)的置信度，并計(jì)算候選目標(biāo)圖像塊與待跟蹤目標(biāo)稀疏直方圖的相似度；

步驟7：利用聯(lián)合稀疏模型，從所有候選目標(biāo)圖像塊中選取置信度和相似度乘積最大的圖像塊作為當(dāng)前幀圖像中的待跟蹤目標(biāo)；

步驟8：以當(dāng)前幀圖像中的待跟蹤目標(biāo)的位置，在當(dāng)前幀中采集圖像塊，生成新的目標(biāo)前景正字典和目標(biāo)背景負(fù)字典，從而構(gòu)建新的待跟蹤目標(biāo)的稀疏判別字典，返回步驟5，直到得到當(dāng)前待跟蹤目標(biāo)在序列圖像中的運(yùn)動(dòng)軌跡后，再返回步驟3，獲取下一個(gè)待跟蹤目標(biāo)在序列圖像中的運(yùn)動(dòng)軌跡。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，當(dāng)所有被采集了圖像塊的圖像幀數(shù)為2的倍數(shù)時(shí)，所述步驟8中構(gòu)建的新的待跟蹤目標(biāo)的稀疏判別字典替代前一次被使用的待跟蹤目標(biāo)的稀疏判別字典，用于下一幀圖像構(gòu)建聯(lián)合稀疏模型；否則，則使用前一次被使用的待跟蹤目標(biāo)的稀疏判別字典，構(gòu)建下一幀圖像的聯(lián)合稀疏模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述聯(lián)合稀疏模型的表達(dá)式如下：

$H_c{L}_c={\mathrm{\Σ}}_{j=1}^{J\×M}min({\mathrm{\φ}}_c^j,{\mathrm{\ψ}}^j)/\left(1+\exp \left(-\left({\mathrm{\ϵ}}_b-{\mathrm{\ϵ}}_f\right)/\mathrm{\σ}\right)\right)$

其中，H_c為第c個(gè)候選目標(biāo)圖像塊的置信度，ε_f是候選目標(biāo)圖像塊x在當(dāng)前目標(biāo)前景正字典下的重構(gòu)誤差，ε_b是候選目標(biāo)圖像快x在當(dāng)前目標(biāo)背景負(fù)字典下的重構(gòu)誤差，

A₊為當(dāng)前目標(biāo)前景正字典矩陣，A_-為當(dāng)前目標(biāo)背景負(fù)字典矩陣，為當(dāng)前目標(biāo)前景正字典矩陣下得到的稀疏系數(shù)矩陣，為當(dāng)前目標(biāo)背景負(fù)字典下得到的稀疏系數(shù)矩陣

L_c為第c個(gè)候選目標(biāo)圖像塊的相似度，為第c個(gè)候選目標(biāo)圖像塊的稀疏直方圖中第j個(gè)系數(shù)，ψ^j為第一幀圖像的目標(biāo)模板稀疏直方圖中第j個(gè)系數(shù)；J為每一個(gè)候選目標(biāo)圖像塊對(duì)應(yīng)的稀疏系數(shù)向量的維數(shù)；M為從每幀圖像中采集的圖像塊數(shù)目；

σ表示圖像塊方差，取值范圍為0-1之間。

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，所述步驟2中對(duì)第一幀圖像進(jìn)行二值化，獲取第一幀圖像中待跟蹤目標(biāo)的位置和數(shù)量的具體步驟如下：

步驟2.1：對(duì)第一幅圖像Image0進(jìn)行二值化操作，得到二值圖像Imagebinary0；

將待跟蹤目標(biāo)從背景圖像中分割出來(lái)，T1為設(shè)定二值化分割閾值，Image(x,y)為圖像中(x,y)位置像素的灰度值；

$\mathrm{Im}agebinary0(x,y)=\left\{\begin{array}{c}255,\mathrm{Im}age(x,y)\≥T1\\ 0,\mathrm{Im}age(x,y)\<T1\end{array}\right.$

步驟2.2：對(duì)二值圖像Imagebinary0進(jìn)行連通域搜尋操作，根據(jù)異物的大小尋找與異物大小相差不超過(guò)10％的連通域Blob，并對(duì)Blob進(jìn)行孔洞填充；

步驟2.3：粗定位待跟蹤目標(biāo)在圖像中的位置place0和待跟蹤目標(biāo)的數(shù)目number；

步驟2.3.1：采用重心法計(jì)算出每個(gè)填充連通域Blob的中心O(x_o,y_o)，即為目標(biāo)的圓心，N為Blob像素點(diǎn)總數(shù)：

$O(x_o,y_o)=(\underset{i=1}{\overset{N}{\Σ}}{x}_i/N,\underset{j=1}{\overset{N}{\Σ}}{y}_j/N),\∀(x_i,y_j)\∈Blob$

其中，(x_i,y_i)表示連通域中像素點(diǎn)的坐標(biāo)。

5.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，所述待跟蹤目標(biāo)的聯(lián)合稀疏模型的生成過(guò)程如下：

步驟4.1：根據(jù)前一幀圖像中所獲得的待跟蹤目標(biāo)的初始位置，計(jì)算目標(biāo)的稀疏判別字典并用于構(gòu)造待跟蹤目標(biāo)的稀疏判別分類(lèi)器；

步驟4.1.1：將隨機(jī)偏移量加到待跟蹤目標(biāo)的初始坐標(biāo)，得到圍繞初始坐標(biāo)的隨機(jī)坐標(biāo)；以隨機(jī)坐標(biāo)為中心采集前景圖像快，得到包含目標(biāo)前景的圖像塊，將所有圖像塊的灰度值向量化，得到前一幀圖像的正字典；

步驟4.1.2：以待跟蹤目標(biāo)的初始坐標(biāo)為圓心，根據(jù)目標(biāo)的運(yùn)動(dòng)速度估計(jì)目標(biāo)在下一幀圖像的可能運(yùn)動(dòng)范圍R，以R為半徑對(duì)背景采集圖像塊，得到包含目標(biāo)背景的圖像塊，將所有圖像塊的灰度值向量化，得到前一幀圖像的負(fù)字典；

步驟4.1.3：將兩個(gè)字典分別規(guī)范化，并級(jí)聯(lián)成一個(gè)判別字典，構(gòu)造目標(biāo)的稀疏判別分類(lèi)器；

步驟4.2：提取目標(biāo)的稀疏生成模型；

步驟4.2.1：用規(guī)范化的圖像塊來(lái)表示目標(biāo)圖像的局部外形灰度特征；

使用滑動(dòng)窗口在待跟蹤目標(biāo)圖像上獲得M個(gè)圖像塊，將每個(gè)圖像塊都轉(zhuǎn)化為一個(gè)向量，并通過(guò)計(jì)算得到每個(gè)圖像塊的稀疏系數(shù)；

步驟4.2.2：通過(guò)M個(gè)圖像塊得到的M個(gè)稀疏系數(shù)向量，將M個(gè)稀疏系數(shù)向量規(guī)范化，然后合并成一個(gè)稀疏矩陣B，通過(guò)該稀疏矩陣得到目標(biāo)的稀疏直方圖模型，即目標(biāo)的稀疏生成模型；

步驟4.3：利用步驟4.1獲得的稀疏判別分類(lèi)器和步驟4.2獲得的稀疏生成模型共同構(gòu)建聯(lián)合稀疏模型。