[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

说明书

本发明涉及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，首先，在初始帧附近采样得到若干模板块，利用目标的局部和结构信息构造用于稀疏表示的字典。再对之后的每一帧，用粒子滤波产生若干粒子，每个粒子代表一个候选目标。然后对每一个候选目标进行了稀疏表示，用求解得到的稀疏表示系数代表每个粒子的适应度，最后用粒子群优化求解得到的具有最高适应度的粒子，适应度最高的候选目标作为跟踪结果。

技术领域

本发明属于采用数字图像进行目标根据的方法，涉及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。

背景技术

目标跟踪是计算机视觉领域的一个基础性问题，它有着广泛的应用，包括视频监控，行为分析，运动时间分析，以及视频检索等。由于目标在跟踪过程中会面临光照变化，遮挡，形变，复杂的运动背景等问题，经常会导致目标丢失和漂移现象，因此目标跟踪是一个富有挑战性的课题。

近两年，基于稀疏表示理论的目标跟踪方法得到了极大的重视，该方法将目标跟踪问题转化为稀疏求解问题，取得了较好的效果，为目标跟踪问题提供了一个新的求解思路。经典的基于稀疏表示目标跟踪方法的基本思想是以目标模板构建超完备字典，通过粒子滤波框架得到候选目标，通过计算L₁范数最小化进行稀疏求解，计算其重构误差得到每个粒子为目标的概率，从而实现目标跟踪。这种方法充分利用了图像的稀疏表示性质中对噪声和遮挡不敏感的特性，可以有效地减弱背景杂波和噪声对于跟踪算法的不利影响，提高算法的跟踪性能。但这些算法主要采用图像模板作为字典，而且为了抵抗遮挡影响而引入了琐碎模板，从而使得超完备字典的维数很高，算法复杂度高，计算量大，而且图像原始灰度特征容易受光照以及相似背景等影响。此外，粒子滤波中，可能会出现粒子的权重很小，出现粒子退化现象。为解决这一问题，粒子滤波中大多会采用重采样，即舍弃权重小的粒子，对权重大的粒子复制，从而引起了贫化现象，影响候选目标的选取效果。

可见，视觉目标跟踪过程中存在面临的光照变化，遮挡，形变，复杂的运动背景相似物体的干扰影响等问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出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，解决视觉目标跟踪过程中面临的光照变化，遮挡，形变，复杂的运动背景相似物体的干扰影响等问题。

技术方案

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,m]，d_i,j代表第i个目标模板中的第j块，E为琐碎模板；

步骤3、候选目标采样：以函数p(x_t|x_t-1)＝N(x_t；x_t-1,Σ)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_i，