[发明专利]一种基于LARK特征的自适应目标跟踪方法

权利要求书

1.一种基于LARK特征的自适应目标跟踪方法，其特征在于，包括以下步骤：

步骤一：利用颜色特征和LARK结构特征统计匹配方法得到待处理图像中目标概率分布图；所述的颜色特征和LARK结构特征统计匹配方法，包括以下步骤：

1)手动选取跟踪目标作为模板，根据局部核值的计算原理，得到模板图像中每一点的归一化局部核，将其按列排序，即为模板的LARK权值矩阵W_Q，如下式所示：

式中w_i表示图像中某一点的归一化局部核按列排列的列向量，N为图像中总像素数，P²为局部窗口中像素数；

2)提取跟踪目标周围2倍大的区域作为待处理图像；计算待处理图像的LARK权值矩阵W_T；用PCA方法对W_Q进行降维，只保留主成分的前d项较明显的特征，其构成一个矩阵接着根据A_Q计算模板图像与待处理图像的特征矩阵F_Q和F_T，计算公式如下式所示：

式中和分别代表模板和待处理图像中降维后的特征向量，表示矩阵A_Q的转置矩阵，N和M分别为模板图像和待处理图像的总像素数；

3)将RGB空间转HSV空间，利用H空间分量计算原始概率图；对原始概率图中非零像素处，进行LARK特征匹配，得到结构相似度图，并进行归一化处理；将其与原始概率分布图加权融合后得到加权融合目标概率图；

4)对加权融合目标概率图进行自适应均值迭代搜索目标位置；最后循环第二步到第四步，实现跟踪；

步骤二：利用Mean Shift算法迭代搜索概率分布图，得到搜索窗口质心收敛位置和大小作为目标中心和大小，并作为下一帧的初始搜索窗口，且每一帧跟踪处理图像只提取上一帧目标周围2倍大的区域；

步骤三，利用基于LARK局部特征统计匹配的目标跟踪方法将特征整体匹配转化为局部特征匹配，对局部匹配相似结构的个数统计分析；所述局部特征匹配包括以下步骤：

1)根据其灰度值统计直方图，计算原始概率图；

2)将提取的LARK特征矩阵F_Q使用余弦相似度量进行去冗余，得到去冗余后的特征矩阵，如下式所示：

其中n＜N；

式中代表去冗余后的特征向量；

3)计算F_T中每个列向量与F_Q‘中每个列向量的夹角余弦值，并以此建立余弦相似矩阵ρ_L，如下式所示：

式中ρ_ij为待处理图像特征矩阵F_T的第i列与模板目标图像特征矩阵F_Q‘的第j列的夹角余弦值，ρ，代表夹角余弦值的函数表示；

4)对矩阵ρ_L每行取最大值，并在索引矩阵index_L中保存最大值对应的列向量在F_Q‘中的位置，如下式所示：

index_L＝[x₁，x₂，…，x_M]^Tx₁，x₂，…，x_M∈[1，2，…，n]

式中代表矩阵ρ_L第i行的最大值在第k_i列，ρ_L′为所有行的最大值组成的矩阵，x_i与k_i有相同含义；

之后设置相似度阈值t2，将ρ_L′的每个元素与其进行比较，对低于阈值的元素，在index_L中相应位置的索引值设为0；

5)选取固定大小的局部窗口遍历index_L矩阵，若原始目标概率图中该窗口位置内非0像素的个数大于某一阈值，统计该窗口内不重复的索引值个数，否则直接记录该窗口内索引值个数为0，构建统计索引值个数的矩阵R_n；将该矩阵的像素归一化后得到统计匹配图，将其与原始概率图加权融合后得到待处理图像中目标概率分布图。