一種基于分塊稀疏表達與hsv特征融合的目標跟蹤方法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺領域與智能監(jiān)控領域，尤其涉及及一種基于分塊稀疏表達 與HSV特征融合的目標跟蹤方法。
【背景技術】
[0002] 現(xiàn)有的目標跟蹤算法主要有四類：一是中心加權的區(qū)域匹配的跟蹤算法，典型方 法為Mean-shift，該方法搜索速度快，在一定程度上能克服物體的旋轉和扭曲，但目標遇到 相似顏色物體時，算法會失效；第二類是基于子塊匹配的跟蹤算法，將目標區(qū)域分成若干子 塊，分別對子塊進行跟蹤，可較好解決遮擋情況下剛性目標跟蹤問題，但是過于依賴子塊劃 分，穩(wěn)定性不夠好；第三類是基于軌跡預測的跟蹤算法，典型方法為卡爾曼濾波，該方法通 過目標的運動信息，如位置、速度、加速度等信息來預測目標在下一幀的位置，對于線性運 動的目標具有較好的跟蹤效果，對非線性運動往往會失效；最后一類是基于貝葉斯理論的 跟蹤算法，典型方法為粒子濾波算法，可適用于任何非線性非高斯的運動系統(tǒng)，但在長時間 跟蹤時，粒子群不同程度的退化會影響算法的穩(wěn)定性和可靠性。
[0003] 基于稀疏表達的目標跟蹤算法是近些年發(fā)展較快的一種新型跟蹤算法，由于具 有表示方式簡單，能夠挖掘出圖像數(shù)據(jù)內部的信息，魯棒性強以及對光照變化與遮擋情況 較好的處理等優(yōu)點，因而有著廣闊的應用前景，如文獻"W. Zhong，H. Lu，and M. -H. Yang. Robust Object Tracking via Sparsity-based Collaborative Model. In CVPR，2012?"但 是，由于稀疏跟蹤算法通常處理的是灰度圖像，對顏色信息不夠敏感，對于姿態(tài)變化的運動 物體跟蹤效果不佳，同時，在獲取稀疏字典與求解稀疏線性方程時會消耗大量時間，影響了 算法的實時性。

【發(fā)明內容】

[0004] 有鑒于此，本發(fā)明提供了一種基于分塊稀疏表達與HSV特征融合的目標跟蹤方 法，可在光照、尺度變換、嚴重遮擋、物體姿態(tài)變換等的惡劣條件下實現(xiàn)目標跟蹤的魯棒性 與精準性。
[0005] 為了解決上述技術問題，本發(fā)明是這樣實現(xiàn)的：
[0006] 本發(fā)明的一種基于分塊稀疏表達與HSV特征融合的目標跟蹤方法，包括如下步 驟：
[0007] 步驟1、根據(jù)第一幀的目標模板信息建立目標的稀疏字典，具體為：
[0008] 針對輸入的視頻圖像，當只接收到一幀視頻時，在第一幀視頻中人工標記出待跟 蹤的目標區(qū)域，并將第一幀的目標區(qū)域暫時選定為目標模板；獲得目標模板向量，采用在線 字典學習的方法構造字典D，使得在該字典D下目標區(qū)域向量的表示最稀疏；
[0009] 步驟2、針對選定的目標模板，根據(jù)稀疏表達理論，對于目標模板向量I，基于字典 D，通過求解11優(yōu)化問題得到其稀疏系數(shù)并構建該目標模板的稀疏直方圖ru;
[0010] 然后，將目標模板的RGB圖像轉為HSV圖像，并將H，S，V量級化，并將各顏色分量 合成為一維特征矢量L，然后獲取目標模板256bin的HSV直方圖Lq;
[0011] 步驟3、從接收第2幀視頻圖像開始，在當前幀圖像上以選定的目標模板的位置為 參照中心，在搜索區(qū)域范圍％內根據(jù)目標運動模型確定N個候選目標；對于任意一個候選 目標向量1，得到候選目標稀疏直方圖L，利用巴氏距離計算目標模板直方圖％與各個 候選目標直方圖的距離，即得到各目標對應的稀疏觀測相似度；
[0012] 獲取各個候選目標的HSV直方圖Q，利用相交法計算目標模板HSV直方圖U與各 個候選目標直方圖的距離，即得到各目標對應的HSV觀測相似度；其中i = 1，2,. . .，N ;
[0013] 步驟4、針對當前幀圖像中的任意候選目標，將候選目標的稀疏觀測相似度與HSV 觀測相似度加權相乘，即求所述候選目標的稀疏觀測相似度與HSV觀測相似度平方的乘 積，作為該候選目標最終觀測相似度；則各候選目標中最終觀測相似度最大的為可能目 標；
[0014] 步驟5、判斷當前幀的各個候選目標對應的稀疏觀測相似度中最大值是否大于或 等于設定的閾值：
[0015] 如果否，表示當前幀圖像被嚴重遮擋，接收下一幀圖像后執(zhí)行步驟6 ;
[0016] 如果是，表示當前幀圖像未被嚴重遮擋，則步驟4確定的可能目標為最終的目標， 執(zhí)行步驟8 ;
[0017] 步驟6、以步驟4確定的可能目標的位置為參照中心，將上一幀圖像對應的搜索區(qū) 域范圍擴大后，在當前接收的圖像上根據(jù)目標運動模型確定N個候選目標；根據(jù)步驟3的方 法獲得本步驟中確定各個候選目標對應的稀疏觀測相似度；然后判斷其中最大稀疏觀測相 似度是否大于所述設定的閾值：
[0018] 如果大于或等于，先根據(jù)步驟3的方法得到本步驟中確定的各候選目標對應的 HSV觀測相似度，然后執(zhí)行步驟7 ;
[0019] 如果小于，接收下一幀圖像后，返回并重新執(zhí)行本步驟；
[0020] 步驟7、根據(jù)步驟4的方法獲得當前幀圖像中各候選目標最終觀測相似度；觀測相 似度最大值的候選目標即為跟蹤得到的最終目標，執(zhí)行步驟8 ;
[0021] 步驟8、首先判斷是否需要更換目標模板：
[0022] 如果不需要，接收下一幀圖像后，返回步驟3 ;
[0023] 如果需要，先根據(jù)步驟2的方法計算所述最終目標的稀疏直方圖與HSV直方圖；然 后通過加權的方式與當前所選定的目標模板直方圖％與、分別融合，作為下一幀的目標 跟蹤中目標模板稀疏直方圖和HSV直方圖；最后，接收下一幀圖像，返回步驟3,繼續(xù)進行下 一幀的目標跟蹤。
[0024] 較佳的，所述步驟6中，將所述上一幀圖像對應的搜索區(qū)域范圍擴大1. 5倍后，作 為當前幀圖像的搜索范圍區(qū)域。
[0025] 較佳的，所述步驟1中，通過滑動的窗口將目標模板圖像分為K個子塊，利用結構 信息串聯(lián)法得到各子塊向量 yie RmX1，最后將其結合成目標模板向量he ITXK，其中m為 子塊的維度。
[0026] 較佳的，所述K的取值為49。
[0027] 較佳的，判斷是否需要更換目標模板的條件為：判斷當前幀的序號是否為5的倍 數(shù)，如果是，更換目標模板；如果否，不更換目標模板。
[0028]較佳的，所述步驟8中的融合方法為：將當前幀的最終目標對應的稀疏直方圖ni 和HSV直方圖Li通過加權的方式與上一幀目標模板直方圖n 〇與L ^相融合，即：
[0029] qn= y n 0+(l-]i) n1 Ln= yL0+(l-li)Li
[0030] 得到下一幀的目標跟蹤中目標模板稀疏直方圖njPHSV直方圖Ln，其中y為學 習因子，設定為0. 8。
[0031] 較佳的，所述步驟2中，其中H量化為16級，S和V分別量化為4級。
[0032] 較佳的，所述步驟4中，將所述候選目標的稀疏觀測相似度與HSV觀測相似度歸一 化后再進行加權相乘得到最終觀測相似度。
[0033] 本發(fā)明具有如下有益效果：
[0034] (1)本發(fā)明公開的一種基于分塊稀疏表達與HSV模型的目標跟蹤方法，基于稀疏 表達與HSV直方圖的融合跟蹤算法不但保持稀疏表達對光照變化與遮擋的強魯棒性的優(yōu) 點，還增加了對物體色彩的分辨度且不易受相似顏色