[发明专利]一种基于压缩不规则分块LBP的视频目标跟踪方法

权利要求书

1.一种基于压缩不规则分块LBP的视频目标跟踪方法，

其特征在于，步骤如下：

步骤一.选定跟踪区域

以视频帧序列中每一帧左上角为坐标原点(1,1)，视频帧宽高分别为W和H；选定第一帧中待跟踪目标的矩形区域(x₀,y₀,w,h)，即左上角坐标为(x₀,y₀)，待跟踪目标区域的宽高分别为w,h；

步骤二.初始化粒子集合

根据第一帧选定的待跟踪目标复制生成k个粒子，形成初始化粒子集合每个粒子的初始权重为1/k，即

步骤三.初始化测量矩阵

压缩采样过程中使用的压缩测量矩阵是一个稀疏随机高斯矩阵，m×n表示测量矩阵的维数；

R中每行中非零元素的个数为R中所有非零元素的个数为其余元素皆为零；R中每一个非零元素值对应一个特定位置的不规则分块LBP特征也就是iRB-LBP特征；矩阵R生成后，在整个跟踪过程中R的非零元素值及其对应的iRB-LBP特征位置均不再发生变化，即后续每一个候选目标的压缩特征向量都要根据此时生成的R进行计算；

R的列数n，是iRB-LBP特征向量的维数；令w'和h'表示一个iRB-LBP特征值对应区域的宽度和高度，w'取值范围为3～w，h'的取值范围为3～h，n的计算方法如下：

n＝(w-2)×(h-2) (1)

R的行数m，是压缩特征的维数；令K＝10，c＝1/logn，m的计算方法如下：

矩阵R的(i,j)位置元素计算公式为：

其中，s＝n/lnn表示测量矩阵的稀疏程度；

步骤四.初始化目标分类器

采用朴素贝叶斯分类器H(y)对后续帧序列中候选目标是否为被跟踪目标进行判别，H(y)定义如下：

其中，y为被跟踪目标或候选目标区域的压缩iRB-LBP特征向量也就是CiRB-LBP特征向量，p(v＝1)和p(v＝0)分别表示y符合正样本分布和符合负样本分布的概率，p(v＝1)＝p(v＝0)＝0.5，v∈{0,1}；假设条件分布p(y_i|v＝1)和p(y_i|v＝0)符合四个参数的高斯分布，即

步骤五.更新目标分类器

如果是第一帧，以当前选定的被跟踪目标矩形区域作为基准区域，否则，以当前最佳候选目标即跟踪结果的矩形区域作为基准区域；依据基准区域产生正样本和负样本，进而对目标分类器的各个参数进行更新；

步骤六.输入下一视频帧

步骤七.预测候选目标的粒子集合

根据上一帧的粒子集合预测生成当前帧的候选粒子集合

步骤八.计算所有候选目标的CiRB-LBP特征向量

令表示矩形区域的CiRB-LBP特征向量，m×1表示CiRB-LBP特征向量的维数，表示被跟踪目标或候选目标矩形区域的iRB-LBP特征向量，n×1表示iRB-LBP特征向量的维数，n为矩形区域中可能的iRB-LBP特征个数，x中每一个元素x_j,j＝1～n对应一个iRB-LBP特征值；对于一个特定的候选目标，其CiRB-LBP特征向量y的计算方法如下：

步骤九.判别跟踪结果

首先，根据步骤四中H(y)的计算公式计算每一个候选目标CiRB-LBP特征向量y的评价值；由于粒子的权重必须是一个正值，而H(y)可正可负，为了正确地对候选目标权重进行更新，找到评分值最小的候选目标依据公式H_j(y)＝H_j(y)-H_minj(y)+ε将所有H(y)转化为正值，其中ε＞1.0；

对k个候选目标的评价值正则化，即根据正则化后的评价值对各个候选目标的权重进行更新，即

w_tj＝w_tj×φ+H_j(y)×(1-φ)，φ＝0～1；对更新后的权重进行正则化，即正则化具有最大权重的候选目标即为当前帧的跟踪结果；

根据权重w_tj对候选目标即粒子进行从大到小排序，依据权重较大的粒子依次重采样，舍弃权重较低的粒子；

步骤十.如果当前帧是最后一帧，跟踪结束；否则，转至步骤五重复循环。