[发明专利]基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法

说明书

本发明公开了一种基于局部稀疏外观模型和K选择的鲁棒性视觉跟踪方法，包括以下步骤：步骤1，使用局部稀疏表示对目标块外观进行建模，稀疏编码直方图表示目标的基分布，步骤2，通过梯度下降学习字典作为基选择的新方法，引入K选择的字典进行学习，步骤3，稀疏约束正则化的均值偏移，通过稀疏表示找到目标中心，最终得出跟踪结果。本发明通过引入K‑选择的新型稀疏字典学习方法来学习目标的稀疏表示库，通过静态稀疏字典在线性张成的子空间限制漂移并保持灵活性，通过稀疏编码直方图及在线更新表达动态字典基分布，最后使用基于稀疏表达投票地图和重建错误正则化均值漂移定位物体中心，具有更稳定的跟踪效果。

技术领域

本发明属于视觉跟踪领域，具体涉及一种基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，通过使用局域学习词典的稀疏编码直方图建模，能够适应外观变化并限制漂移。

背景技术

在线学习跟踪技术因其处理外观变化的自适应能力而被广泛使用。然而，由于在自更新的过程中有错误的累计，特别是在有阻挡的场景中，它存在潜在的漂移问题。视觉跟踪通过观察的序列来估算移动目标的空间状态，这个主题令人关注并且在许多工业应用中十分重要，包括安全监测、交通监控、车辆导航、视频索引、机器人学等。尽管有大量文献近年来致力于解决这个问题，但在动态环境下精确跟踪普通物体仍存在困难，主要面临的挑战有：

1)由于照明、旋转和比例调整造成的动态外观改变；

2)由于从3D到2D的投射造成的姿态变化和信息缺失；

3)部分和全部物体遮挡；

4)复杂背景杂波；

5)统计相似物体导致的标签歧义。

为了解决在动态环境下目标外观变化的问题，需要提出一种保持目标外观模型递增式更新，使其适应外观变化的跟踪方法。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于局部稀疏外观模型和K选择的鲁棒性视觉跟踪方法，目标外观使用局域学习词典的稀疏编码直方图进行建模，通过静态基础和动态基础分部的自然组合提高稳定性，能够适应外观变化并限制漂移。

为了实现上述现有技术中的问题，本发明采用的技术方案步骤包括：

S1.使用局部稀疏表示对目标块的外观进行建模，稀疏编码直方图表示目标的基分布；

S2.通过梯度下降学习字典作为基选择的新方法，引入K-选择的字典进行学习；

S3.稀疏约束正则化的均值偏移，通过稀疏表示找到目标中心，最终得出跟踪结果。

步骤S1使用局部稀疏表示对目标块的外观进行建模的具体过程包括：

S1.1.1给定当前帧的图像I，通过滑动大小为m×n的窗口，以目标区域内的每个像素为中心采样一组小图像片段X＝{xi|i＝1:N′}，其中xi是第i列向量化图像块；

S1.1.2通过局部约束线性编码(LLC)将目标函数表达为

其中，Φ是从目标块中学习的基词典，α是稀疏系数，⊙是元素乘法,d是指向x和Φ中所有基向量之间的欧氏距离向量；

S1.1.3通过求解较小的线性系统B获得局部约束线性编码近似值，