[发明专利]多核局部约束的视频目标跟踪方法

说明书

技术领域

本发明涉及计算机视觉领域技术领域，尤其涉及一种多核局部约束的视频目标跟踪方法。

背景技术

视觉目标跟踪是计算机视觉领域一个重要的研究内容，在视觉导航、人机交互、智能交通、视频监控等领域得到了广泛应用，是各种后续高级处理，如目标识别、行为分析、视频图像压缩编码和应用理解等高层视频处理和应用的基础。然而由于跟踪视频中存在遮挡、光照变化、尺度变化、突变、角度变化等因素，这使得准确鲁棒的视频目标跟踪成为一项非常重要的工作。

随着压缩感知理论以及稀疏编码理论的发展，使得稀疏表示已被应用于视频目标的跟踪中，其核心是将目标视为粒子滤波框架下的稀疏表示问题。在稀疏表示跟踪中，l₁跟踪方法具有较强的鲁棒性，但因其需求解l₁范数最小化问题使得求解比较困难且耗时。于是，基于l₂范数的协同稀疏表示被提出且应用到目标跟踪中，尽管l₂范数下的协同表示没有l₁范数下的重构系数的稀疏性强，但因可提前计算映射矩阵而不用更新每个粒子，从而提高了运算效率；然而协同表示方法本质上是一种线性方法，当目标发生非线性变化(强烈光照变化，突然运动，背景剧烈抖动)时，将导致跟踪失败。

发明内容

本发明针对现有技术中存在的不足，提供了一种多核局部约束的视频目标跟踪方法，通过设计单遍绘制方案提高渲染速度，通过EWA增强渲染的质量。

本发明实现其发明目的所采用的技术方案是：

一种多核局部约束的视频目标跟踪方法，包括如下步骤：

(1)将样本数据的局部结构引入到协同表示方法中，构建样本特征的局部约束线性编码；(2)利用核方法，构建样本特征的多核局部约束协同编码；(3)基于支持向量机SVM，将样本的分类器得分嵌入到粒子滤波框架下实现视频目标的跟踪；(4)依据目标和背景样本的变化，动态更新目标模板与背景模板以及分类器。支持向量机即Support Vector Machine,SVM。

作为优选，在步骤(1)中，为了获得具有良好分类性能的样本表示，将样本数据的局部结构引入到协同表示中，来构建样本特征的局部约束协同编码，具体是：

(a)在稀疏表示框架下，测试样本表示为y＝d₁x₁+d₂x₂+…+d_nx_n＝Dx，其中字典表示字典原子，其协同表示的目其协同表示的目标函数为通过最小化得到样本的协同表示为最优解仅是y的线性投影，且P＝(D^TD+λI)^-1D^T独立于y，这样投影矩阵P可以被预先计算出来，避免了l₁范数下每一个测试样本均需单独优化处理，大大提高了运算速度。

(b)协同表示方法本质上是一种线性方法，使用非局部的字典原子重构候选目标系数，然而数据的局部结构往往比全局结构携带更多的信息，比如一个样本和其周围的样本应具有相似的编码，因此使用局部约束的样本重建更为精确；将样本数据的局部结构引入到协同表示，其目标函数为其中是一个局部约束的对角矩阵，通过最小化得到样本的局部约束协同编码为

作为优选，在步骤(2)中，基于核方法，构建样本特征的多核局部约束协同编码，具体是：

(a)采用核方法将非线性数据映射到高维线性核空间，样本y在高维空间中的映像由Φ＝[φ(d₁),φ(d₂),…,φ(d_n)]来线性表示，这显然地增大了计算复杂度，因此有必要降低特征空间的维数。采用随机投影矩阵P^T将高维数据映射到低维空间，局部约束核协同编码的目标函数即为

对其求偏导并等于0可得

其中[x₁,x₂,…,x_n]^T是n维系数向量x，记

则式(1)的解可写为

根据核函数的性质，记P＝ΦB，代入式(2)和式(3)分别得