[发明专利]一种基于压缩正则化块差分的视频目标跟踪方法

权利要求书

1.一种基于压缩正则化块差分的视频目标跟踪方法，其特征在于，

实现步骤如下：

步骤一.选定跟踪区域

设视频帧序列中每一帧左上角为坐标原点(1,1)，在视频帧序列的第一帧，手工或自动选定待跟踪目标的矩形区域(x₀,y₀,W,H)，即左上角坐标为(x₀,y₀)，宽高分别为W和H，该矩形位置作为选定的跟踪区域，也是第一帧跟踪结果的位置；

步骤二.初始化测量矩阵

压缩采样过程中使用的压缩测量矩阵是一个稀疏随机高斯矩阵，矩阵形式如下：

其中，m×n表示测量矩阵的维数，R的列数n，也是NBD特征向量的维数，其计算方法如下：

R的行数m，也是压缩特征的维数，m设置为m＝100，

矩阵R的(i,j)位置元素计算公式为：

其中，s＝n/lnn表示测量矩阵的稀疏程度，R每行中非零元素的个数为R中所有非零元素的个数为其余元素皆为零，

为了后续计算NBD特征元素值，R中每一个非零元素值r_ij与两个随机偏移块A和B相对应，令两个随机偏移块A和B对应的区域分别为(x_A,y_A,w_A,h_A)和(x_B,y_B,w_B,h_B)，其中，(x_A,y_A)和(x_B,y_B)分别表示A块和B块相对于待跟踪目标或候选目标矩形区域左上角的偏移坐标，(w_A,h_A)和(w_B,h_B)分别表示A块和B块的宽高，A和B的偏移坐标和大小皆随机取得，且皆位于待跟踪目标或候选目标矩形区域内，

矩阵R生成后，在整个跟踪过程中R的非零元素值及每个非零元素对应两个随机偏移块的位置和大小均不再发生变化，即后续每一个候选目标的压缩特征向量都要根据此时生成的R进行计算；

步骤三.初始化目标分类器；

步骤四.更新目标分类器；

步骤五.输入新视频帧；

步骤六.生成粗略候选目标集合；

步骤七.计算粗略候选目标集合中所有候选目标的CNBD特征向量；

步骤八.判别粗略跟踪结果；

步骤九.生成细致候选目标集合；

步骤十.计算细致候选目标集合中所有候选目标的CNBD特征向量；

步骤十一.判别本帧跟踪结果；

步骤十二.如果当前帧是最后一帧，跟踪结束；否则，转至步骤四继续；

所述步骤七的具体操作为：

步骤七.计算粗略候选目标集合中所有候选目标的CNBD特征向量

对于粗略候选目标集合，每个候选目标对应的CNBD特征向量计算方法如下：

对于一个特定的待跟踪目标或候选目标的矩形区域，令表示该矩形区域的CNBD特征向量，m×1表示CNBD特征向量的维数，表示该矩形区域的NBD特征向量，n×1表示NBD特征向量的维数，x中每一个元素x_j,j＝1～n对应一个NBD特征元素，则该矩形区域的CNBD特征向量y的计算方法如下：

其中，R采用步骤二初始化测量矩阵的方法计算得到，因此，只需要计算x向量；CNBD特征向量中每一个元素由于R是一个稀疏随机高斯矩阵，多数元素为零元素；在计算的过程中，当r_ij＝0，则必然r_ijx_j＝0，因此，当r_ij＝0，则直接令x_j＝0，如此x_j可以省略计算；如此只需要计算r_ij≠0，i＝1～m，j＝1～n的情况下对应的x_j，即计算R中每一个非零元素对应的NBD特征元素值x_j，x向量中总共需要计算的元素个数仅为即可得到一个待跟踪目标或候选目标矩形区域对应的CNBD特征向量y；

对于一个特定的NBD特征元素值x_j，其与一个特定的r_ij相对应；根据步骤二中生成的与该r_ij对应的两个随机偏移块A和B即可计算出x_j，计算方法如下：

其中a_A和a_B分别表示A块和B块内的像素平均值，a_A∈[0，255]，a_B∈[0，255]，f(A，B)∈[-1，1]，x_j∈[0，255]。

2.根据权利要求1所述的一种基于压缩正则化块差分的视频目标跟踪方法，其特征在于，所述

步骤三.初始化目标分类器

采用朴素贝叶斯分类器H(y)对后续帧序列中候选目标是否为待跟踪目标进行判别，H(y)定义如下：

其中，y是采用步骤七特征向量计算方法得到的待跟踪目标或候选目标区域的CNBD特征向量，p(v＝1)和p(v＝0)分别表示y符合正样本分布和符合负样本分布的概率，p(v＝1)＝p(v＝0)＝0.5，v∈{0,1}；假设条件分布p(y_i|v＝1)和p(y_i|v＝0)符合四个参数的高斯分布，即

初始化四个参数的值为：

步骤四.更新目标分类器

如果是第一帧，以当前选定的待跟踪目标矩形区域作为基准区域，否则，以当前帧跟踪结果的矩形区域作为基准区域，依据基准区域产生正样本和负样本，进而对目标分类器的各个参数进行更新，具体方法如下：

对于正样本而言，与基准区域尺寸相同、与基准区域中心点距离在α＝4范围内所有的矩形区域构成了正样本待选集合，从正样本待选集合中随机选择q¹＝45个矩形区域作为目标正样本，根据步骤七可以分别计算得到q¹＝45个正样本矩形区域对应的CNBD特征向量，假设这里q¹＝45个特征向量的第i个测量元素符合参数为μ¹和δ¹的高斯分布，其计算方法如下，

λ＞0是更新速率，取λ＝0.85，和的更新方法如下：

对于负样本而言，与基准区域尺寸相同、与基准区域中心点距离在β＝8～30范围内所有的矩形区域构成了负样本待选集合，从负样本待选集合中随机选择q⁰＝50个矩形区域作为目标负样本，根据步骤七可以分别计算得到q⁰＝50个负样本矩形区域对应的CNBD特征向量，假设这里q⁰＝50个特征向量的第i个测量元素符合参数为μ⁰和δ⁰的高斯分布，其计算方法如下，

λ＞0是更新速率，取λ＝0.85，和的更新方法如公式下：

步骤六.生成粗略候选目标集合

在上一视频帧跟踪结果周围，以上一视频帧跟踪结果矩形区域的中心点为圆心，γ_c＝25为搜索半径，Δ_c＝4为搜索步长，得到一组网格点，与上一视频帧跟踪结果矩形区域尺寸相同，以该组网格点为中心得到一组候选目标，即粗略候选目标集合；

步骤八.判别粗略跟踪结果

根据步骤三中H(y)的计算公式可以计算出一个候选目标的CNBD特征向量y的评价值；粗略候选目标集合中评价值最高的候选目标对应的位置即为粗略跟踪结果；

步骤九.生成细致候选目标集合

在粗略跟踪结果周围，以粗略跟踪结果矩形区域的中心点为圆心，γ_f＝10为搜索半径，Δ_f＝1为搜索步长，得到一组网格点；与粗略跟踪结果矩形区域尺寸相同，以该组网格点为中心得到一组候选目标，即细致候选目标集合；

步骤十.计算细致候选目标集合中所有候选目标的CNBD特征向量

对于细致候选目标集合，每个候选目标对应的CNBD特征向量计算方法与步骤七中每个候选目标CNBD特征向量计算方法相同；

步骤十一.判别本帧跟踪结果

根据步骤三中H(y)的计算公式计算出一个候选目标的CNBD特征向量y的评价值；细致候选目标集合中评价值最高的候选目标对应的位置即为本帧跟踪结果。