[发明专利]基于视频传感器网络的自适应目标压缩感知融合跟踪方法

说明书

技术领域

本发明涉及一种目标压缩感知融合跟踪方法，尤其涉及一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法。

背景技术

由于视频图像处理以及传输数据量大，受传感器节点资源和能耗的限制，为了延长网络寿命，必须要对图像数据进行压缩以减少计算量和通信量。

压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。解码所需测量值的数目远小于传统理论下的样本数。

如等式(1)所示,压缩感知CS(Compressive Sensing)以m<<n（m为测量矩阵维度和，n为信号维度）的测量矩阵对信号进行测量。

y=φx=φΨα=Θα  (1)

其中α为信号的稀疏表示，Ψ为稀疏表示矩阵，为测量矩阵。

如果x信号在某个变化域具有稀疏性，如等式(2)所示，并且适当构建φ。

α=Ψ^Tx  (2)

那么可以通过等式（3）来完美恢复该信号：

minα||α||l0s.ty=ΦΨα---(3)]]>

近年来，很多研究将压缩感知算法引入到视频传感器网络，然而传统的压缩感知算法采用固定的测量值M对图像序列进行采样，当图像稀疏度变化较大时，并不能获得最小的采样数据量。对于单视角的目标跟踪系统，容易受到遮挡，存在跟踪精度差等问题，因此，发明一种解决上述问题的方法是十分必要的。

发明内容

本发明的目的在于提供一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，解决了当图像稀疏度变化较大时，并不能获得最优的采样数据量，且对于单视角的目标跟踪系统，跟踪精度差的问题。

为了解决上述问题，本发明涉及了一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，包括以下步骤：

S1：构建包括若干不同视角的视频节点的视频传感器网络测试系统，通过混合高斯模型GMM构建第t帧背景，测试得到的第t帧视频序列^x_t为第t帧前景图像和第t帧背景之和，其中t=0，1，2…；

S2：根据若干视频节点中每个视频节点在起始时刻的图像稀疏度K₀，分别计算各视频节点的测量初始值M₀来对其初始图像序列进行压缩感知CS采样，得到每个视频节点采样后初始图像y_o后进行S4，其中M₀≈K₀log(n/K₀)，n为信号维度；S3：采用图像的方差的期望E(σ_t)作为阈值，通过第t帧图像的测量值M_t，迭代得到各视频节点第t+1帧图像的测量值M_t+1，是目标图像x_d的方差；

当则M_t+1=β₀M_t；

当则M_t+1=β₁M_t；

其中，为恢复的目标图像，x_d为目标图像，表示采用范数2恢复误差值；β₀≤1,β₁≥1,β₀,β₁分别为缩小和放大因子，α为调节参数；

并通过第t+1帧图像的测量值M_t+1对第t+1帧图像进行压缩感知CS采样，得到每个视频节点采样后第t帧图像y_t后进行S4;