本發(fā)明涉及機(jī)器視覺和模式識別領(lǐng)域，特別是一種多模板時空關(guān)聯(lián)的局部反聯(lián)合稀疏表示目標(biāo)跟蹤方法。

背景技術(shù)：

目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的重要研究方向，目前已在公共交通智能監(jiān)控系統(tǒng)、安防系統(tǒng)、人機(jī)交互等領(lǐng)域中得到廣泛應(yīng)用。由于跟蹤場景復(fù)雜，目標(biāo)表觀模型常因受到外界物體的干擾及自身形變的影響發(fā)生較大且不可預(yù)估的變化，使得實(shí)現(xiàn)持續(xù)、穩(wěn)定且魯棒的目標(biāo)跟蹤面臨巨大挑戰(zhàn)。為解決上述問題，需要對待跟蹤目標(biāo)建立適當(dāng)?shù)谋硎灸Ｐ?，以克服目?biāo)在運(yùn)動過程中的光照變化、尺度變化、局部遮擋等復(fù)雜情況。

隨著壓縮感知技術(shù)的發(fā)展，基于稀疏表示的目標(biāo)建模方法逐漸成為視覺跟蹤中目標(biāo)表示的一個重要分支。該方法對待跟蹤目標(biāo)在過完備字典上進(jìn)行稀疏分解，通過較少的非零系數(shù)表示目標(biāo)的主要信息。根據(jù)字典的構(gòu)建方法，可以將基于稀疏表示建模的目標(biāo)跟蹤分為兩類：稀疏表示跟蹤和反稀疏表示跟蹤。

前者是利用動態(tài)目標(biāo)模板和瑣碎模板構(gòu)建過完備字典，對每個候選目標(biāo)分別進(jìn)行稀疏表示。初始目標(biāo)模板往往由視頻前幾幀已確定為正確的待跟蹤目標(biāo)構(gòu)成，模板中的樣本隨著跟蹤的進(jìn)行不斷更新使表示模型能夠適應(yīng)目標(biāo)的外觀變化。該方法將瑣碎模板對候選目標(biāo)進(jìn)行表示的部分作為稀疏表示的殘差并用來表示各個候選目標(biāo)相對于模板的變化，跟蹤結(jié)果由對應(yīng)最小殘差的候選目標(biāo)確定。這種方法在光照變化等情況下具有較好的跟蹤效果，但是當(dāng)目標(biāo)發(fā)生部分遮擋時，瑣碎模板的表示具有二義性，既有可能是目標(biāo)被遮擋的部分，也有可能是候選區(qū)域中包涵的背景，從而造成跟蹤漂移甚至跟蹤失敗。

反稀疏表示方法則利用候選目標(biāo)構(gòu)建過完備字典，對動態(tài)目標(biāo)模板進(jìn)行稀疏表示，通過表示系數(shù)對候選目標(biāo)進(jìn)行相似性度量。該方法不存在瑣碎模板表示的二義性，并且也不會因?yàn)楹蜻x目標(biāo)數(shù)量龐大影響跟蹤速度，關(guān)鍵問題是如何在表示模型中充分利用目標(biāo)模板中的信息從而更精確地度量各個候選目標(biāo)?；诜聪∈璞硎镜哪繕?biāo)建模是一種新方法，由B Zhuang等人(2014)提出，他們利用候選目標(biāo)構(gòu)造的字典對正模板和負(fù)模板分別進(jìn)行稀疏表示，并通過原子在構(gòu)建不同正負(fù)模板時的權(quán)重對他們進(jìn)行相似性度量。該方法中正負(fù)模板的數(shù)量總和仍然非常龐大，因此同樣需要求解多次稀疏約束的目標(biāo)函數(shù)。隨后D Wang等人(2015)提出對最新更新的一個目標(biāo)模板進(jìn)行稀疏表示，并由稀疏表示系數(shù)權(quán)重對候選目標(biāo)進(jìn)行度量，但是該方法容易引起累計誤差，若在一次模板更新中引入錯誤的模板，該模板會對隨后的跟蹤結(jié)果產(chǎn)生累計偏差。

目前采用的基于稀疏表示的跟蹤方法，不僅瑣碎模板存在二義性，而且在粒子濾波框架下，為保證搜索階段獲取到目標(biāo)的正確位置，對候選目標(biāo)的采集數(shù)量非常龐大，因此該跟蹤方法需要求解大量基于稀疏約束的目標(biāo)函數(shù)，無法保證跟蹤的實(shí)時性，同時在模板的在線學(xué)習(xí)更新中，沒有考慮到提取模板時的時序信息；基于反稀疏表示的跟蹤方法，同樣需要求解多次稀疏約束的目標(biāo)函數(shù)，計算復(fù)雜，且容易產(chǎn)生累計偏差。

技術(shù)實(shí)現(xiàn)要素：

基于以上技術(shù)問題，本發(fā)明提供了一種多模板時空關(guān)聯(lián)的局部反聯(lián)合稀疏表示目標(biāo)跟蹤方法,旨在挖掘不同模板間的時空關(guān)聯(lián)信息，從而解決目標(biāo)在局部遮擋、光照變化、尺度變化等復(fù)雜場景下的跟蹤問題，同時降低了計算復(fù)雜度。

本發(fā)明的技術(shù)方案如下：

一種多模板時空關(guān)聯(lián)的局部反聯(lián)合稀疏表示目標(biāo)跟蹤方法，所述方法包括以下步驟：

步驟1:對每一幀輸入圖像中目標(biāo)的狀態(tài)進(jìn)行手動標(biāo)定，得到每一幀圖像的目標(biāo)模板t^m(x,y,m)，依次對M幀輸入圖像進(jìn)行手動標(biāo)定，得到目標(biāo)模板集x與y表示坐標(biāo)，s表示目標(biāo)的狀態(tài)，M表示目標(biāo)模板個數(shù)，m表示目標(biāo)模板序號，即時序標(biāo)號，m∈[1,M]；

步驟2:根據(jù)目標(biāo)模板集中第M個目標(biāo)模板的狀態(tài)，利用目標(biāo)的運(yùn)動模型對第c幀圖像進(jìn)行粒子采樣，獲取N個候選目標(biāo)fⁿ(x,y)，形成候選目標(biāo)集c為需要進(jìn)行目標(biāo)跟蹤的當(dāng)前幀，N表示候選目標(biāo)總個數(shù)，n表示候選目標(biāo)的序號，n∈[1,N]；

步驟3:將每一個候選目標(biāo)fⁿ(x,y)劃分為K個圖像塊，得到候選目標(biāo)局部圖像塊N個候選目標(biāo)局部圖像塊構(gòu)成候選目標(biāo)局部圖像塊集采用相同方式將每一個目標(biāo)模板t^m(x,y,m)劃分為K個圖像塊，得到目標(biāo)模板局部圖像塊M個標(biāo)模板局部圖像塊構(gòu)成目標(biāo)模板局部圖像塊集k表示圖像塊的序號，K表示圖像塊的個數(shù)，k∈[1,K]；

步驟4：根據(jù)目標(biāo)模板局部圖像塊與候選目標(biāo)局部圖像塊的余弦距離及目標(biāo)模板對應(yīng)的時序標(biāo)號m計算時序權(quán)重矩陣

步驟5：將候選目標(biāo)局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到列向量，構(gòu)成一系列子字典D_k；將目標(biāo)模板局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到列向量，構(gòu)成局部目標(biāo)模板樣本集T_k；

步驟6:利用子字典D_k、局部目標(biāo)模板樣本集T_k和時序權(quán)重矩陣構(gòu)建目標(biāo)函數(shù)，即局部加權(quán)反聯(lián)合稀疏表示模型，將目標(biāo)函數(shù)中的l_0,2范數(shù)約束用含參數(shù)高斯函數(shù)F_σ(X)替換為平滑l_0,2范數(shù)項(xiàng)進(jìn)行優(yōu)化求解，得到稀疏表示系數(shù)矩陣

步驟7:利用稀疏系數(shù)矩陣得到候選目標(biāo)fⁿ(x,y)的貢獻(xiàn)指示性值篩選出重要候選目標(biāo)集r表示重要候選目標(biāo)的個數(shù)，th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1,N]。

步驟8:對重要候選目標(biāo)集中重要候選目標(biāo)的狀態(tài)s_IP(i)進(jìn)行加權(quán)打分，決定最終的跟蹤結(jié)果

步驟9:更新目標(biāo)模板，重復(fù)上述步驟進(jìn)行第c+1幀圖像的跟蹤。

進(jìn)一步的，目標(biāo)的狀態(tài)s_m用6個變量進(jìn)行表示{x_m,y_m,θ_m,s_m,α_m,φ_m}，其中x_m表示目標(biāo)狀態(tài)的橫坐標(biāo)、y_m表示縱坐標(biāo)、θ_m表示旋轉(zhuǎn)角度、s_m表示尺度、α_m表示縱橫比和φ_m表示歪斜度，目標(biāo)模板的時序標(biāo)號m由目標(biāo)模板對應(yīng)的幀號由小到大進(jìn)行排列確定。

進(jìn)一步的，第c幀的狀態(tài)利用運(yùn)動模型進(jìn)行更新，采用的公式如下：

式中，{x_M,y_M,θ_M,s_M,α_M,φ_M}表示第M個目標(biāo)模板的狀態(tài)，{x_c,y_c,θ_c,s_c,α_c,φ_c}表示第c幀目標(biāo)的狀態(tài)，grand是一組滿足高斯分布的隨機(jī)數(shù)(0-1)，{Δx,Δy,Δθ,Δs,Δα,Δφ}表示目標(biāo)狀態(tài)的變化幅度。

進(jìn)一步的，對候選目標(biāo)fⁿ(x,y)和目標(biāo)模板t^m(x,y,m)均采用相同尺寸滑窗以相同步長劃分成K個圖像塊，K表示圖像塊的個數(shù)；

進(jìn)一步的，所述步驟4中，計算時序權(quán)重矩陣的公式為：

式中，為第n個候選目標(biāo)的第k個圖像塊，為第m個目標(biāo)模板的第k個圖像塊，δ表示歸一化常數(shù)。

進(jìn)一步的，所述步驟5中，

子字典D_k的構(gòu)建方式如下：

式中，k表示圖像塊的序號，K表示圖像塊的個數(shù)，n表示候選目標(biāo)的序號，N表示候選目標(biāo)的總個數(shù)，表示將第n個候選目標(biāo)中第k個圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到的列向量；

局部目標(biāo)模板樣本集T_k由目標(biāo)模板局部圖像塊集中k值相同的圖像塊構(gòu)成，其中表示將第m個目標(biāo)模板的第k個圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到的列向量。

進(jìn)一步的，所述步驟6中，目標(biāo)函數(shù)為：

式中，W表示時序權(quán)重矩陣由[W₁,W₂,...,W_k]構(gòu)成，其中W_k表示對第k個目標(biāo)模板圖像塊集進(jìn)行加權(quán)反聯(lián)合稀疏表示時對應(yīng)的時序權(quán)重矩陣，D_k表示子字典，T_k表示局部目標(biāo)模板樣本集，X為稀疏表示系數(shù)矩陣由[X₁,X₂,...,X_k]構(gòu)成，其中X_k表示不同目標(biāo)模板中k值相同的圖像塊構(gòu)成的表示系數(shù)矩陣，表示對W和X做哈達(dá)瑪乘積運(yùn)算，ε表示的是誤差上限值；

式中，約束項(xiàng)定義為：

其中l(wèi)_0,2范數(shù)約束定義為：

將l_0,2范數(shù)約束替換為平滑l_0,2范數(shù)項(xiàng)進(jìn)行優(yōu)化求解所采用的含參數(shù)高斯函數(shù)F_σ(X)為：

其中，

式中，σ表示高斯函數(shù)方差，i∈[1,N]表示每個稀疏表示系數(shù)矩陣的行號，該含參數(shù)高斯函數(shù)F_σ(X)實(shí)現(xiàn)對稀疏表示系數(shù)矩陣中非零行向量的計數(shù)，從而將非平滑非凸問題的目標(biāo)函數(shù)求解轉(zhuǎn)化為平滑問題求解，降低計算復(fù)雜度。

進(jìn)一步的，重要候選目標(biāo)集選擇的具體步驟如下：

步驟1.將稀疏表示系數(shù)矩陣中的表示系數(shù)矩陣X_k映射為候選目標(biāo)中局部圖像塊的貢獻(xiàn)指示值I_k，采用公式如下：

式中，TH為自適應(yīng)閾值；

將||X_k[i,:]||₂,i∈[1,N]按從大到小順序排序，計算累計能量分布，能量值到達(dá)90％時對應(yīng)的||X_k[i,:]||₂的數(shù)值大小即為TH的取值；

步驟2.將同一候選目標(biāo)的局部圖像塊對應(yīng)的貢獻(xiàn)指示值I_k相加，得到各個候選目標(biāo)的貢獻(xiàn)值

步驟3.將前r個貢獻(xiàn)值最大的候選目標(biāo)放入重要候選目標(biāo)集中，其余刪除，式中th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1,N]，r表示重要候選目標(biāo)的個數(shù)。

進(jìn)一步的，所述步驟8中，按下式對重要候選目標(biāo)的狀態(tài)進(jìn)行加權(quán)：

式中，表示最終的跟蹤結(jié)果，s_IP(th)表示各個重要候選目標(biāo)對應(yīng)的狀態(tài)。r表示重要候選目標(biāo)的個數(shù)，th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1,N]，X為稀疏表示系數(shù)矩陣X[IP(th),:]表示序號為IP(th)的重要候選目標(biāo)對應(yīng)的稀疏表示系數(shù)。

進(jìn)一步的，目標(biāo)模板更新方式為：將當(dāng)前跟蹤結(jié)果對應(yīng)的目標(biāo)t^c(x,y,c)作為新加入的目標(biāo)模板，記為t^M(x,y,M)，隨機(jī)剔除目標(biāo)模板t^j(x,y,j)，的時序標(biāo)號為j，目標(biāo)模板時序標(biāo)號小于j的保持不變，其余目標(biāo)模板的時序標(biāo)號減1，所有目標(biāo)模板的時序標(biāo)號范圍保持在[1,M]。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

本發(fā)明構(gòu)建反聯(lián)合稀疏表示模型，充分挖掘各個目標(biāo)模板之間的內(nèi)在關(guān)聯(lián)信息，避免由于前面跟蹤的漂移對后續(xù)跟蹤造成的累計誤差影響；同時該模型還考慮到了不同觀測時間下各個目標(biāo)模板對目標(biāo)表現(xiàn)模型建模中的重要性差異，使目標(biāo)表觀模型對跟蹤過程中目標(biāo)的外觀變化更加魯棒；

該模型利用候選目標(biāo)構(gòu)建過完備字典，對目標(biāo)模板樣本進(jìn)行聯(lián)合稀疏表示，可以在只求解一次目標(biāo)函數(shù)的基礎(chǔ)上，獲得對所有候選目標(biāo)的相似度度量，大大降低了稀疏約束目標(biāo)函數(shù)的求解次數(shù)；

為防止目標(biāo)局部變化對候選目標(biāo)似然估計造成影響，本發(fā)明對同一目標(biāo)不同局部圖像塊分別建模，在對每個候選目標(biāo)進(jìn)行相似性度量時，首先根據(jù)其對應(yīng)的各個圖像塊在目標(biāo)模板重構(gòu)中的權(quán)重進(jìn)行候選目標(biāo)的篩選，然后再對重要候選目標(biāo)加權(quán)決定最終的跟蹤結(jié)果，該方法可以在目標(biāo)存在局部遮擋變化場景中提高跟蹤的成功率及準(zhǔn)確度；

解決了非平滑非凸條件下目標(biāo)函數(shù)求解困難的問題，本發(fā)明利用帶參數(shù)的高斯函數(shù)實(shí)現(xiàn)矩陣中非零行向量的計數(shù)功能，由于高斯函數(shù)具有可導(dǎo)性，該方法降低了優(yōu)化求解算法的計算復(fù)雜度，提高跟蹤效率。

附圖說明

圖1為該發(fā)明的方法流程圖；

圖2為該發(fā)明中目標(biāo)模板集

圖3為該發(fā)明中的采樣得到的候選目標(biāo)集

圖4為該發(fā)明中篩選出的重要候選目標(biāo)集

圖5為在視頻序列”Football”上應(yīng)用本發(fā)明的實(shí)驗(yàn)結(jié)果；

圖6為視頻序列”Quadrocopter”上應(yīng)用本發(fā)明的實(shí)驗(yàn)結(jié)果；

圖7為視頻序列”Trellis”上應(yīng)用本發(fā)明的實(shí)驗(yàn)結(jié)果。

具體實(shí)施方式

本說明書中公開的所有特征，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

下面結(jié)合附圖對本發(fā)明作詳細(xì)說明。

附圖1是該發(fā)明的總體流程圖：

步驟1:對每一幀輸入圖像中目標(biāo)的狀態(tài)進(jìn)行手動標(biāo)定，得到每一幀圖像的目標(biāo)模板t^m(x,y,m)，依次對M幀輸入圖像進(jìn)行手動標(biāo)定，得到目標(biāo)模板集(如附圖2所示)，x與y表示坐標(biāo)，s表示目標(biāo)的狀態(tài)，M表示目標(biāo)模板個數(shù)，m表示目標(biāo)模板序號，即時序標(biāo)號，m∈[1,M]，目標(biāo)模板的時序標(biāo)號m由目標(biāo)模板對應(yīng)的幀號由小到大進(jìn)行排列確定，其中目標(biāo)的狀態(tài)s_m用6個變量進(jìn)行表示{x_m,y_m,θ_m,s_m,α_m,φ_m}，x_m表示目標(biāo)狀態(tài)的橫坐標(biāo)、y_m表示縱坐標(biāo)、θ_m表示旋轉(zhuǎn)角度、s_m表示尺度、α_m表示縱橫比和φ_m表示歪斜度；

步驟2:根據(jù)目標(biāo)模板集中第M個目標(biāo)模板的狀態(tài)，利用目標(biāo)的運(yùn)動模型對第c幀圖像進(jìn)行粒子采樣，獲取N個候選目標(biāo)fⁿ(x,y)，形成候選目標(biāo)集(如附圖3所示)；c為需要進(jìn)行目標(biāo)跟蹤的當(dāng)前幀，N表示候選目標(biāo)總個數(shù)，n表示候選目標(biāo)的序號，n∈[1,N]，第c幀的狀態(tài)利用運(yùn)動模型進(jìn)行更新，采用的公式如下：

式中，{x_M,y_M,θ_M,s_M,α_M,φ_M}表示第M個目標(biāo)模板的狀態(tài)，{x_c,y_c,θ_c,s_c,α_c,φ_c}表示第c幀目標(biāo)的狀態(tài)，grand是一組滿足高斯分布的隨機(jī)數(shù)(0-1)，{Δx,Δy,Δθ,Δs,Δα,Δφ}表示目標(biāo)狀態(tài)的變化幅度；

步驟3:將每一個候選目標(biāo)fⁿ(x,y)劃分為K個圖像塊，得到候選目標(biāo)局部圖像塊N個候選目標(biāo)局部圖像塊構(gòu)成候選目標(biāo)局部圖像塊集采用相同方式將每一個目標(biāo)模板t^m(x,y,m)劃分為K個圖像塊，得到目標(biāo)模板局部圖像塊M個標(biāo)模板局部圖像塊構(gòu)成目標(biāo)模板局部圖像塊集其中對候選目標(biāo)fⁿ(x,y)和目標(biāo)模板t^m(x,y,m)均采用相同尺寸滑窗以相同步長進(jìn)行劃分，k表示圖像塊的序號，K表示圖像塊的個數(shù)，k∈[1,K]；

步驟4:根據(jù)目標(biāo)模板局部圖像塊與候選目標(biāo)局部圖像塊的余弦距離及目標(biāo)模板對應(yīng)的時序標(biāo)號m計算時序權(quán)重矩陣計算公式為：

式中，為第n個候選目標(biāo)的第k個圖像塊，為第m個目標(biāo)模板的第k個圖像塊，δ表示歸一化常數(shù)；

步驟5:將候選目標(biāo)局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到列向量，構(gòu)成一系列子字典D_k，具體構(gòu)成方式如下：

式中，k表示圖像塊的序號，K表示圖像塊的個數(shù)，n表示候選目標(biāo)的序號，N表示候選目標(biāo)的總個數(shù)，表示將第n個候選目標(biāo)中第k個圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到的列向量；

將目標(biāo)模板局部圖像塊集中k值相同的圖像塊提取出來，將圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到列向量，構(gòu)成局部目標(biāo)模板樣本集T_k，具體構(gòu)成方式如下：

式中，表示將第m個目標(biāo)模板的第k個圖像塊根據(jù)像素點(diǎn)排列位置按列展開得到的列向量；

步驟6:利用子字典D_k、局部目標(biāo)模板樣本集T_k和時序權(quán)重矩陣構(gòu)建目標(biāo)函數(shù)，即局部加權(quán)反聯(lián)合稀疏表示模型，將目標(biāo)函數(shù)中的l_0,2范數(shù)約束用含參數(shù)高斯函數(shù)F_σ(X)替換為平滑l_0,2范數(shù)項(xiàng)進(jìn)行優(yōu)化求解，得到稀疏表示系數(shù)矩陣所采用的目標(biāo)函數(shù)為：

式中，W表示時序權(quán)重矩陣由[W₁,W₂,...,W_k]構(gòu)成，其中W_k表示對第k個目標(biāo)模板圖像塊集進(jìn)行加權(quán)反聯(lián)合稀疏表示時對應(yīng)的時序權(quán)重矩陣，D_k表示子字典，T_k表示局部目標(biāo)模板樣本集，X為稀疏表示系數(shù)矩陣由[X₁,X₂,...,X_k]構(gòu)成，其中X_k表示不同目標(biāo)模板中k值相同的圖像塊構(gòu)成的表示系數(shù)矩陣，表示對W和X做哈達(dá)瑪乘積運(yùn)算，ε表示的是誤差上限值；

式中，約束項(xiàng)定義為：

其中l(wèi)_0,2范數(shù)約束定義為：

將l_0,2范數(shù)約束替換為平滑l_0,2范數(shù)項(xiàng)進(jìn)行優(yōu)化求解所采用的含參數(shù)高斯函數(shù)F_σ(X)為：

其中，

式中，σ表示高斯函數(shù)方差，i∈[1,N]表示每個稀疏表示系數(shù)矩陣的行號，該含參數(shù)高斯函數(shù)F_σ(X)實(shí)現(xiàn)對稀疏表示系數(shù)矩陣中非零行向量的計數(shù)，從而將非平滑非凸問題的目標(biāo)函數(shù)求解轉(zhuǎn)化為平滑問題求解，降低計算復(fù)雜度；

步驟7:利用稀疏系數(shù)矩陣得到候選目標(biāo)fⁿ(x,y)的貢獻(xiàn)指示性值篩選出重要候選目標(biāo)集(如附圖4所示)；r表示重要候選目標(biāo)的個數(shù)，th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1，N]，重要候選目標(biāo)集選擇的具體步驟如下：

1).將稀疏表示系數(shù)矩陣中的表示系數(shù)矩陣X_k映射為候選目標(biāo)中局部圖像塊的貢獻(xiàn)指示值I_k，采用公式如下：

式中，TH為自適應(yīng)閾值；

將||X_k[i,:]||₂,i∈[1,N]按從大到小順序排序，計算累計能量分布，能量值到達(dá)90％時對應(yīng)的||X_k[i,:]||₂的數(shù)值大小即為TH的取值；

2).將同一候選目標(biāo)的局部圖像塊對應(yīng)的貢獻(xiàn)指示值I_k相加，得到各個候選目標(biāo)的貢獻(xiàn)值

3).將前r個貢獻(xiàn)值最大的候選目標(biāo)放入重要候選目標(biāo)集中，其余刪除，式中th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1,N]，r表示重要候選目標(biāo)的個數(shù)；

步驟9:對重要候選目標(biāo)集中重要候選目標(biāo)的狀態(tài)s_IP(i)進(jìn)行加權(quán)，決定最終的跟蹤結(jié)果對重要候選目標(biāo)的狀態(tài)進(jìn)行加權(quán)采用的公式如下：

式中，表示最終的跟蹤結(jié)果，s_IP(th)表示各個重要候選目標(biāo)對應(yīng)的狀態(tài)。r表示重要候選目標(biāo)的個數(shù)，th表示將候選目標(biāo)放入重要候選目標(biāo)集后的序號th∈[1,r]，IP(th)表示選出的重要候選目標(biāo)的序號IP(th)∈[1,N]，X為稀疏表示系數(shù)矩陣X[IP(th),:]表示序號為IP(th)的重要候選目標(biāo)對應(yīng)的稀疏表示系數(shù)；

步驟9:更新目標(biāo)模板，重復(fù)上述步驟進(jìn)行第c+1幀圖像的跟蹤，目標(biāo)模板更新方式為：將當(dāng)前跟蹤結(jié)果對應(yīng)的目標(biāo)t^c(x,y,c)作為新加入的目標(biāo)模板，記為t^M(x,y,M)，隨機(jī)剔除目標(biāo)模板t^j(x,y,j)，的時序標(biāo)號為j，目標(biāo)模板時序標(biāo)號小于j的保持不變，其余目標(biāo)模板的時序標(biāo)號減1，所有目標(biāo)模板的時序標(biāo)號范圍保持在[1,M]。

下面，結(jié)合具體實(shí)施例來對本發(fā)明做進(jìn)一步詳細(xì)說明。

具體實(shí)施例

實(shí)施例1

附圖5為在“Football”序列上的實(shí)驗(yàn)結(jié)果。該視頻中目標(biāo)在運(yùn)動過程發(fā)生旋轉(zhuǎn)，被周圍物體部分遮擋，并且背景雜亂。利用本發(fā)明所采用的多模板時空關(guān)聯(lián)的局部反聯(lián)合稀疏表示目標(biāo)跟蹤方法,可以更加充分地挖掘各個目標(biāo)模板相似的部分，從而利用未被遮擋的目標(biāo)圖像塊表示模型對候選目標(biāo)進(jìn)行篩選。實(shí)驗(yàn)表明該方法對目標(biāo)的局部變化較為魯棒。

實(shí)施例2

附圖6為在“Quadrocopter”序列上的實(shí)驗(yàn)結(jié)果。該視頻中的目標(biāo)運(yùn)動速度較快，紅外成像導(dǎo)致目標(biāo)分辨率較低。在跟蹤過程中，利用目標(biāo)運(yùn)動模型對下一幀目標(biāo)可能出現(xiàn)的位置和狀態(tài)進(jìn)行預(yù)測，將候選目標(biāo)選擇問題建模為重構(gòu)目標(biāo)模板貢獻(xiàn)大小問題，并對多個候選目標(biāo)打分，聯(lián)合決定最終的跟蹤結(jié)果，實(shí)驗(yàn)結(jié)果表明該方法可以很好地解決目標(biāo)快速運(yùn)動問題及分辨率低的問題。

實(shí)施例3

附圖7為在“Trellis”序列上的實(shí)驗(yàn)結(jié)果。目標(biāo)表觀模型受光照變化、尺度變化以及目標(biāo)旋轉(zhuǎn)等的影響?；谟嘞揖嚯x的度量方法具有對光照變化魯棒性強(qiáng)的特點(diǎn)，并且該視頻中目標(biāo)是漸變的，可以更加充分地利用最近鄰模板對候選目標(biāo)進(jìn)行選擇，同時對多模板進(jìn)行多任務(wù)學(xué)習(xí)可以防止錯誤模板的引入對跟蹤造成的累計誤差影響。實(shí)驗(yàn)結(jié)果證明本發(fā)明能夠克服目標(biāo)的光照變化、尺寸改變以及旋轉(zhuǎn)。

如上所述即為本發(fā)明的實(shí)施例。本發(fā)明不局限于上述實(shí)施方式，任何人應(yīng)該得知在本發(fā)明的啟示下做出的結(jié)構(gòu)變化，凡是與本發(fā)明具有相同或相近的技術(shù)方案，均落入本發(fā)明的保護(hù)范圍之內(nèi)。