本發(fā)明屬于視覺跟蹤領(lǐng)域，涉及一種基于加權(quán)局部余弦相似度的目標跟蹤算法。

背景技術(shù)：

目標跟蹤是計算機視覺領(lǐng)域中一個非常熱門的研究課題，原因在于它在車輛導航、交通監(jiān)控和人機交互等方面具有重要的意義。盡管目標跟蹤這個課題被研究了幾十年，許許多多的跟蹤算法被提出，但是它仍然是一個非常具有挑戰(zhàn)性的問題。因為目標受各種因素的干擾，例如，光照變化、姿態(tài)變化、完全或部分遮擋以及突然的運動等等。因此，在上述因素的干擾下，開發(fā)一個高性能跟蹤系統(tǒng)是一個具有挑戰(zhàn)性的問題。

那么，為了解決這些問題，本發(fā)明提出了一種基于加權(quán)局部余弦相似度的目標跟蹤算法。該算法用局部余弦相似度來衡量目標模板和候選模板的相似程度；為了給每個局部的判別能力建模，該算法中設(shè)計了一個目標函數(shù)，然后通過二次規(guī)劃方法解決這個函數(shù)獲得每一個局部的判別權(quán)值；之后設(shè)計了一個簡單的方法來對目標模板進行更新，以適應(yīng)目標外觀的變化。

技術(shù)實現(xiàn)要素：

本發(fā)明提出了一種基于加權(quán)局部余弦相似度的目標跟蹤算法，目的在于克服上述現(xiàn)有技術(shù)的不足，得到一種新穎的、魯棒性高和準確率高的目標跟蹤算法。

為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：

一種基于加權(quán)局部余弦相似度的目標跟蹤算法，包括以下步驟：

第一步，取第t幀圖像o，將圖像通過下式(1)

gray(o)＝r(o)(1)

從rgb色彩空間映射到灰度值空間，其中r為圖像o的r通道；

第二步，根據(jù)上一幀跟蹤結(jié)果通過隨機漫步的方式進行采樣，得到一個候選集y即一個圖像塊集合d^r＝{z|||i(z)-it-1||＜r}，其中，it-1為t-1幀中目標的位置，r為采樣范圍；

第三步，將目標模板劃分為m個局部塊，即其中為第i個局部塊且m＝d/l，同樣將獲得的每一個候選模板進行以上相同的處理，即第j個候選模板為

第四步，基于it-1，在當前幀中采樣得到正負樣本集dα＝{z|||i(z)-it||＜α}和其中在算法中，α＝1，β＝10；

第五步，通過下列一個目標函數(shù)(2)和加權(quán)余弦相似度(3)求解權(quán)值向量w

其中swl(t,y^j)為加權(quán)局部余弦相似度，為余弦相似度，wi代表第i個局部塊的判別權(quán)值，和分別代表正負樣本加權(quán)局部余弦相似度的平均值，為正則化項，w'＝(w′1,w'2,…,w'm)代表指示向量；

第六步，對于每一個候選模板，通過下式(4)來計算其時目標的可能性

可能性最大的所對應(yīng)的那個候選模板就是跟蹤到的目標，位置記為it；

第七步，基于it，摘取相應(yīng)的圖像塊通過下式(5)對目標模板進行更新

其中，ε＝0.85為預定義閾值，η＝0.95為更新參數(shù)；

第八步，輸出第t幀跟蹤到的目標位置it和更新后的目標模板。

本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，用局部余弦相似度來衡量目標模板和候選模板的相似程度；為了給每個局部的判別能力建模，該算法中設(shè)計了一個目標函數(shù)，然后通過二次規(guī)劃方法解決這個函數(shù)獲得每一個局部的判別權(quán)值；之后設(shè)計了一個簡單的方法來對目標模板進行更新，以適應(yīng)目標外觀的變化。該算法在各種干擾因素下具有魯棒性和準確性。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的實施方式進行詳細說明，并給出了詳細的實施方式和具體的操作過程。

實驗平臺為win10，實驗環(huán)境為matlabr2012a。實現(xiàn)本發(fā)明的具體步驟為：

第一步，取第t幀圖像o，將圖像通過下式(1)

gray(o)＝r(o)(1)從rgb色彩空間映射到灰度值空間，其中r為圖像o的r通道；

第二步，根據(jù)上一幀跟蹤結(jié)果通過隨機漫步的方式進行采樣，得到一個候選集y即一個圖像塊集合d^r＝{z|||i(z)-it-1||＜r}，其中，it-1為t-1幀中目標的位置，r為采樣范圍；

第三步，將目標模板劃分為m個局部塊，即其中為第i個局部塊且m＝d/l，同樣將獲得的每一個候選模板進行以上相同的處理，即第j個候選模板為

第四步，基于it-1，在當前幀中采樣得到正負樣本集dα＝{z|||i(z)-it||＜α}和其中在算法中，α＝1，β＝10；

第五步，通過下列一個目標函數(shù)(2)和加權(quán)余弦相似度(3)求解權(quán)值向量w

其中swl(t,y^j)為加權(quán)局部余弦相似度，為余弦相似度，wi代表第i個局部塊的判別權(quán)值，和分別代表正負樣本加權(quán)局部余弦相似度的平均值，為正則化項，w'＝(w′1,w'2,…,w'm)代表指示向量；

第六步，對于每一個候選模板，通過下式(4)來計算其時目標的可能性

可能性最大的所對應(yīng)的那個候選模板就是跟蹤到的目標，位置記為it；

第七步，基于it，摘取相應(yīng)的圖像塊通過下式(5)對目標模板進行更新

其中，ε＝0.85為預定義閾值，η＝0.95為更新參數(shù)；

第八步，輸出第t幀跟蹤到的目標位置it和更新后的目標模板。

該算法在各種干擾因素下具有魯棒性和準確性。