[发明专利]光照变化下基于逆向稀疏表示的视觉跟踪方法

权利要求书

1.光照变化下基于逆向稀疏表示的视觉跟踪方法，包括如下步骤：

1)获取候选目标和目标模板

候选目标初始化：跟踪过程中的每一帧，以上一帧的跟踪结果为中心抽取m个图像块，将获得的图像块归一化为w×h大小，其中w和h分别为归一化后图像块的宽和高，而后将候选目标不重叠分块，并对每个分块按从左到右顺序矢量化，其长度为d＝w×h，即得到相应的观测图像集，即候选目标集

目标模板的获取：首先在第一帧中确定目标位置，利用CT跟踪器得到前n帧跟踪结果并归一化，而后将目标模板不重叠分块，并对每个分块按从左到右顺序矢量化以组成目标模板集其中，n为目标模板个数；

2)建立光照补偿和多任务逆向稀疏表示联合优化模型

采用灰度特征描述样本，则第i个候选目标s及目标模板t中的第j个对应局部块平均亮度比值表示为：

其中，分别表示第i个候选目标及目标模板第j个局部块平均亮度值；

与基于目标模板线性稀疏表示候选目标方法相反，本方法基于候选目标集Y线性表示目标模板t，即：

其中，t为矢量化目标模板，c为稀疏系数向量，λ为稀疏惩罚参数，为矢量化候选目标构成的候选目标矩阵，d为每个目标模板矢量化后长度，m为候选目标个数，||.||₂为向量的l₂范数算子，||.||₁为向量的l₁范数算子；

将目标模板不重叠分块，并对每个分块按从左到右顺序矢量化，则第i个目标模板的光照补偿系数向量表示为：

其中，r²为分块j的像素个数，k_ij,i＝1,…,n,j＝1,…,L，n,L分别为目标模板和单个目标模板分块的个数；

基于式(2)及(3)，得到光照补偿与逆向稀疏表示联合优化模型，即：

其中，t_i为第i个目标模板的光照补偿系数向量，c_i为对应于第i个目标模板的稀疏系数向量，⊙表示Hadamard积；

基于式(4)，将候选目标矩阵Y线性表示目标模板集的优化问题表示为：

式(5)中，分别表示第i个光照补偿系数向量k_i以及稀疏系数向量c_i对应的估计值，则表示通过最小化稀疏表示误差项以及正则化项||c_i||₁获得第i个光照补偿系数向量k_i以及稀疏系数向量c_i对应的估计值，即“λ”表示正则化系数；

由式(3)对所有目标模板的光照补偿系数矩阵K表示为：

K＝[k₁,k₂,…,k_n] (6)

矢量化目标模板以构成目标模板矩阵d为每个目标模板矢量化后长度，n为目标模板个数；由于粒子均在上一帧目标位置附近选取，因此粒子间具有相关性，考虑粒子间相关性，稀疏编码矩阵C中每一列均稀疏且相似，利用惩罚项||C||_2,1限制稀疏编码矩阵C，其中；则将光照补偿与多任务逆向稀疏表示联合优化模型表示为：

其中，C＝[c₁,c₂,…,c_n]为稀疏编码矩阵，||.||_F为矩阵Frobenius范数算子，即矩阵元素绝对值的平方和后开平方；

3)求解联合优化模型

针对式(7)联合优化问题，采用交替迭代方法进行求解：

步骤1：已知稀疏编码矩阵C条件下，考虑求解光照补偿系数矩阵K的优化问题：

设则对S和目标模板T不重叠分块，并对每个分块按从左到右顺序矢量化，则根据式(8)求得第i个目标模板t_ij和候选目标第j个分块s_ij的平均亮度值，即：

将式(8)所得和代入式(1)得到k_ij，再将k_ij代入式(3)得到光照补偿系数向量k_i，最后将k_i代入式(6)得到光照补偿系数矩阵K；

步骤2：得到最优光照补偿系数矩阵K后，将其代入式(7)，考虑关于稀疏编码矩阵C的优化问题，即：

表示稀疏系数向量c的估计值，则表示通过最小化稀疏表示误差项以及正则化项||c||₁获得稀疏系数向量c的估计“λ”表示正则化系数，式(9)为多任务稀疏学习问题，通过加速近端梯度法实现高效求解；

加速近端梯度法通过迭代更新矩阵C^(k)和聚合矩阵V^(k)以求得稀疏编码矩阵C，每一步迭代包括两个步骤：1)保持V^(k)不变，更新稀疏表示矩阵C^(k)；2)通过C^(k+1)和C^(k)线性组合，更新聚合矩阵V^(k)；首先给出当前估计V^(k)，通过计算式(10)得到C^(k+1)；

其中，时间参数参数表示梯度下降步长，然后线性组合C^(k+1)和C^(k)以更新V^(k+1)，即：

其中，将α_k设定为k＝0时，α₀＝1，初始化V⁽⁰⁾和C⁽⁰⁾为全零矩阵；当目标函数下降值小于预先设定阈值则APG算法满足收敛条件，算法迭代停止；

重复步骤1和步骤2直至满足迭代收敛条件，即相邻两次迭代光照补偿系数矩阵K的误差小于设定阈值即求得稀疏编码矩阵C及光照补偿系数矩阵K；

4.筛选候选目标

设n个目标模板T＝[t₁,t₂,…,t_n]由m个候选目标Y＝[y₁,y₂,…,y_m]及稀疏编码矩阵C稀疏表示，通过式(12)判断候选目标y_j是否被选择并进一步评估：

其中，表示候选目标y_j与目标模板t_i的相似度，如果不全为0，则表明候选目标y_j与某些目标模板具有相似性，选择候选目标y_j并进行进一步评估，否则被视为不相关候选目标，拒绝接受进一步评估；候选目标被筛选后，保留的候选目标被缩小至较小集合从而可降低算法运算量，提升算法实时性；

5)局部结构化评估

将光照补偿后目标模板集T^*中每个模板分成N个重叠局部块，得到Nn个局部块以用于构建字典每个候选目标Y_j被分割成块{y_k|k＝1,…,N}每个y_i都被字典D稀疏编码，即：

其中表示y_k的稀疏系数向量；如果候选目标Y_j接近目标模板，则对应子字典对其局部块y_k有较好表示，对应子系数则为是a_k的第j个元素，由此，局部块y_k对应重构误差表示为：

所有局部块重构误差{ε₁,ε₂,…,ε_N}被计算后，候选目标Y_j的似然模型被构造为：

6)粒子滤波框架

基于粒子滤波方法，观测目标集定义为Z_r＝[z₁,z₂,…,z_r]，其中z_r为时刻r目标观测量，目标跟踪过程中，利用仿射变换对相邻帧目标运动建模，并通过最大后验估计获得状态x_r的估计，即：

其中，表示第r帧中第i个候选样本的后验概率，利用贝叶斯推理框架递归推导，即：

p(x_r|Z_r)∝p(z_r|x_r)∫p(x_r|x_r-1)p(x_r-1|Z_r-1)dx_r-1 (17)

其中，p(x_r|Z_r)表示第r帧候选样本的后验概率，p(x_r|x_r-1)为目标相邻帧间的目标状态先验概率，p(z_r|x_r)为状态x_r下z_r的观测概率，∝为正比算子；

基于式(15)得p(z_r|x_r)，将其带入式(17)，并通过式(16)得到目标状态最优估计，从而实现目标的精确追踪；

7)更新目标模板

令η＝[η₁,η₂,…,η_p]表示相似度向量，阈值θ描述相似度，每帧利用式(18)测量当前跟踪结果与第i个目标模板之间相似性η_i，即：

其中，表示第r帧跟踪结果，t_i表示第i个目标模板，将最大相似度值Ω＝maxη_i,i＝1,2,…m与阈值θ比较，若Ω＞θ，则该目标模板与新目标相似度最大，并用当前跟踪结果替换对应目标模板；否则，相邻帧变化较大或目标部分被遮挡，则不更新此候选目标。