[发明专利]一种多模板时空关联的局部反联合稀疏表示目标跟踪方法

说明书

一种多模板时空关联的局部反联合稀疏目标跟踪方法，属于机器视觉和模式识别领域，旨在挖掘不同模板间的时空关联信息，解决复杂场景下的目标跟踪问题，降低计算复杂度。在粒子滤波框架下，采集候选目标及划分局部图像块，用以构造过完备字典；进行目标模板样本集的初始化及更新，并按获取的帧号对各个模板进行标号；建立时序权重矩阵，作为引导稀疏表示的时序先验信息；利用字典对目标模板集中的所有样本进行加权联合稀疏表示，并将目标函数中的联合稀疏约束项替换为含参数高斯函数进行优化问题求解，得到稀疏表示系数矩阵；根据系数矩阵中非零元素分布的行连续性及权值大小，得到候选目标的重要性打分，从而实现稳定的目标跟踪。

技术领域

本发明涉及机器视觉和模式识别领域，特别是一种多模板时空关联的局部反联合稀疏表示目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的重要研究方向，目前已在公共交通智能监控系统、安防系统、人机交互等领域中得到广泛应用。由于跟踪场景复杂，目标表观模型常因受到外界物体的干扰及自身形变的影响发生较大且不可预估的变化，使得实现持续、稳定且鲁棒的目标跟踪面临巨大挑战。为解决上述问题，需要对待跟踪目标建立适当的表示模型，以克服目标在运动过程中的光照变化、尺度变化、局部遮挡等复杂情况。

随着压缩感知技术的发展，基于稀疏表示的目标建模方法逐渐成为视觉跟踪中目标表示的一个重要分支。该方法对待跟踪目标在过完备字典上进行稀疏分解，通过较少的非零系数表示目标的主要信息。根据字典的构建方法，可以将基于稀疏表示建模的目标跟踪分为两类：稀疏表示跟踪和反稀疏表示跟踪。

前者是利用动态目标模板和琐碎模板构建过完备字典，对每个候选目标分别进行稀疏表示。初始目标模板往往由视频前几帧已确定为正确的待跟踪目标构成，模板中的样本随着跟踪的进行不断更新使表示模型能够适应目标的外观变化。该方法将琐碎模板对候选目标进行表示的部分作为稀疏表示的残差并用来表示各个候选目标相对于模板的变化，跟踪结果由对应最小残差的候选目标确定。这种方法在光照变化等情况下具有较好的跟踪效果，但是当目标发生部分遮挡时，琐碎模板的表示具有二义性，既有可能是目标被遮挡的部分，也有可能是候选区域中包涵的背景，从而造成跟踪漂移甚至跟踪失败。

反稀疏表示方法则利用候选目标构建过完备字典，对动态目标模板进行稀疏表示，通过表示系数对候选目标进行相似性度量。该方法不存在琐碎模板表示的二义性，并且也不会因为候选目标数量庞大影响跟踪速度，关键问题是如何在表示模型中充分利用目标模板中的信息从而更精确地度量各个候选目标。基于反稀疏表示的目标建模是一种新方法，由B Zhuang等人(2014)提出，他们利用候选目标构造的字典对正模板和负模板分别进行稀疏表示，并通过原子在构建不同正负模板时的权重对他们进行相似性度量。该方法中正负模板的数量总和仍然非常庞大，因此同样需要求解多次稀疏约束的目标函数。随后DWang等人(2015)提出对最新更新的一个目标模板进行稀疏表示，并由稀疏表示系数权重对候选目标进行度量，但是该方法容易引起累计误差，若在一次模板更新中引入错误的模板，该模板会对随后的跟踪结果产生累计偏差。

目前采用的基于稀疏表示的跟踪方法，不仅琐碎模板存在二义性，而且在粒子滤波框架下，为保证搜索阶段获取到目标的正确位置，对候选目标的采集数量非常庞大，因此该跟踪方法需要求解大量基于稀疏约束的目标函数，无法保证跟踪的实时性，同时在模板的在线学习更新中，没有考虑到提取模板时的时序信息；基于反稀疏表示的跟踪方法，同样需要求解多次稀疏约束的目标函数，计算复杂，且容易产生累计偏差。

发明内容

基于以上技术问题，本发明提供了一种多模板时空关联的局部反联合稀疏表示目标跟踪方法,旨在挖掘不同模板间的时空关联信息，从而解决目标在局部遮挡、光照变化、尺度变化等复杂场景下的跟踪问题，同时降低了计算复杂度。

本发明的技术方案如下：

一种多模板时空关联的局部反联合稀疏表示目标跟踪方法，所述方法包括以下步骤：