[发明专利]一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法

权利要求书

1.一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法，其特征在于步骤如下：

步骤1：读取第一帧图像数据，得到目标在第一帧图像中的位置参数[x,y,w,h]，其中：x,y表示目标的中心位置，w,h表示目标的宽和高；

步骤2、构造用于稀疏表示的字典：以x,y为圆心，在半径为R的范围内，采样n个目标模板，将若干目标模板归一化到标准尺寸32*32；使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块，并将它们按提取顺序进行排列；所述半径R为max{h,w}的2倍；

以若干个目标模板和琐碎模板构成字典D：D＝[D₁,D₂,…,D_n,E]，其中，目标模板数n，D_i是字典中的第i个目标模板，i＝1…n；每个目标模板又被分为m个局部块，D_i＝[d_i,1,d_i,2,…,d_i,j,…,d_i,m]，d_i,j代表第i个目标模板中的第j块，E为一个单元矩阵；

步骤3、候选目标采样：以函数p(x_t|x_t-1)＝N(x_t；x_t-1,∑)在下一帧图像中生成若干粒子，每个粒子代表一个以它为中心的候选目标区域Y，

其中{s_x,sh_x,sh_y,s_y,t_x,t_y}为仿射变换的6个参数，表示目标在k时刻的状态x_k，其中6个参数分别依次表示：水平伸缩量、水平形变量、垂直形变量、垂直伸缩量、水平位移量、垂直位移量；

步骤4、稀疏表示求解：

按照构造字典的方式，首先将候选目标区域Y归一化到标准尺寸32*32，然后以粒子为圆心，在半径为R的范围内，采样n个目标模板，将若干目标模板归一化到标准尺寸32*32；使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块，并将它们按提取顺序进行排列；所述半径R为max{h,w}的2倍；

以若干个目标模板和琐碎模板构成字典D：D＝[D₁,D₂,…,D_n,E]，其中，目标模板数n，D_i是字典中的第i个目标模板，i＝1…n；每个目标模板又被分为m个局部块，D_i＝[d_i,1,d_i,2,…,d_i,j,…,d_i,m]，d_i,j代表第i个目标模板中的第j块，E为琐碎模板；

那么候选目标区域Y被字典D和对应的稀疏表示系数α表示为：

Y≈[D₁,D₂,…,D_n,E][α₁,α₂,…,α_n,e]＝D·α

而稀疏表示系数α由下式通过计算得到：

α＝arg min||Y-D·α||₂+λ·||α||₁，式中正则化系数λ＝0.01；

稀疏表示系数α＝[α₁,α₂,…,α_n]^T，α_i表示第i个模板和琐碎模板对应的表示系数，而目标模板已被分成若干局部区域，再用α_i,j表示第i个候选目标第j块对应的表示系数，而e_i则为琐碎模板对应的表示系数，从而又有α_i＝[α_i,1,α_i,2,…,α_i,m,e_i]^T；

步骤5：对m块在字典中目标模板对应位置的表示系数求和，得到：再将c_i中的对角线元素取出按顺序排列形成列向量f_i；

步骤6、粒子群优化：根据粒子适应度函数计算每个粒子的适应度，并采用粒子群优化方法优化不断迭代计算每个粒子的适应度函数，直至最优候选目标其适应度达到某个阈值或是达到最大迭代步数，最后得到目标的位置；

所述步骤6的粒子群优化过程是：

首先对粒子群进行初始化：将每个粒子初始状态记为p₀^(u)，其中,u＝1,2,3…,num，将初始迭代次数设定为20,最优候选目标初始化适应度设置为所选取粒子中的最大值max{p₀^(u)}；

再循环更新粒子状态，直至最优候选目标其适应度达到某个阈值θ或是达到最大迭代步数Ψ，其中θ取4，Ψ取20；

以预测粒子速度；

以更新粒子状态；

以更新粒子群局部最优状态；

以更新粒子群的全局最优状态；

其中：表示第u个粒子在第q-1次迭代中的权重；g_q-1表示第q-1次迭代中局部和全局的最优状态；β₁，β₂是加速常量；μ₁，μ₂是均匀分布的随机变量；β₁，β₂取值分别为1,1；

步骤7、字典更新：以每个粒子的适应度作为目标的置信度，当跟踪到的目标置信度低于阈值μ时，便替换掉字典中的一个模板；替换过程为：

将第一帧中手动标定的目标模板将作为固定模板，产生一个序列

S＝{0,2¹,2²,…,2^n-1}

n是字典中目标模板的数目，该序列被归一化后，得到一组累积概率序列：该序列代表了每个模板被替换的概率，然后，产生一个在区间[0,1]上均匀分布的随机数r，该随机数位于L_p的区间数，即为被替换的模板的序号；

对所接收图像序列的所有帧，循环进行步骤3～步骤7，直至跟踪结束。