[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

说明书

一种基于压缩不规则分块LBP的视频目标跟踪方法，该方法采用压缩采样后的不规则分块LBP特征向量对被跟踪目标或候选目标进行表述，采用粒子滤波框架对候选目标进行搜索，采用朴素贝叶斯分类器对候选目标的压缩特征向量是否目标跟踪结果进行判别。该方法不仅促进了视频目标跟踪的处理速度，同时在重度光照改变和姿势变化、视角旋转和突然运动、背景混乱、相似目标干扰等多种复杂场景下都能保持准确的跟踪效果。

技术领域

本发明涉及视频帧序列中运动目标跟踪领域，特别涉及一种基于压缩不规则分块LBP的视频目标跟踪方法。

背景技术

视频目标跟踪是指借助目标特征(如颜色、纹理、形状等)从视频序列中分析特定目标的运动参数及轨迹(如位置、大小、形状、速度、加速度等)，其是计算机视觉系统的核心任务之一，在智能视频监控、人机交互、医学诊断、机器人导航等众多领域有着广泛的应用前景。然而，光照变化、阴影、遮挡、运动突变、背景混乱等各种复杂场景因素给视频目标跟踪技术带来了极大的挑战，既准确又快速的视频目标跟踪方法备受关注。

准确性：目标特征选择对跟踪准确性至关重要，纹理特征对光照变化、阴影等情况具有较好的适应性，尤其是LBP(Local Binary Pattern)特征已成为广泛采用的纹理特征之一。

快速性：压缩感知理论(Compressive Sensing，CS)可以用远远少于传统奈奎斯特采样的线性投影值，实现信号的准确或近似重构。基于压缩感知理论可以将传统高维目标特征向量无损降维以提高视频目标跟踪的速度。

1.基本LBP特征和分块LBP特征

(1)基本LBP特征

文献“Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray-scale androtation invariant texture classification with local binary patterns[J].IEEETransactions on pattern analysis and machine intelligence,2002,24(7):971-987.”提出了基本LBP特征。基本LBP特征的计算涉及3*3区域，每个区域为一个像素点，计算方法如下。

(2)MB-LBP特征

文献“Zhang L,Chu R,Xiang S,et al.Face detection based on multi-blocklbp representation[C]//International Conference on Biometrics.Springer BerlinHeidelberg,2007:11-18.”在基本LBP特征基础上提出了MB-LBP特征。MB-LBP特征的计算亦涉及3*3区域，每个区域进行了扩展，可以为多个像素组成的块(Block)，计算方法如下。

2.基于压缩感知对Haar-like特征进行压缩的方法

文献“Zhang K,Zhang L,Yang M H.Fast compressive tracking[J].IEEETransactions on Pattern Analysis and Machine Intelligence,2014,36(10):2002-2015.”提出了FCT跟踪方法，该方法采用压缩Haar-like特征对目标进行表述。

(1)压缩Haar-like特征的计算方法

FCT采用稀疏随机高斯矩阵R将跟踪目标的高维Haar-like特征压缩为低维压缩测量向量的过程为y＝Rx，其中，是被跟踪目标或候选目标的高维Haar-like特征向量，是转换后的低维压缩测量向量，是作为测量矩阵的稀疏随机高斯矩阵，m×n表示测量矩阵的维数。