[发明专利]光照变化下基于逆向稀疏表示的视觉跟踪方法

说明书

光照变化下基于逆向稀疏表示的视觉跟踪方法，首先对目标模板光照补偿；而后采用逆向稀疏表示方法，利用候选目标构建过完备字典以稀疏表示光照补偿后目标模板；将多个优化问题转化为多任务优化问题，从而只需求解一次优化问题即可同时得到光照补偿系数矩阵及稀疏编码矩阵。为进一步改善算法实时性，在稀疏编码矩阵基础上，本发明提出一种快速筛选方案以排除无关候选目标从而快速缩小粒子规模。为提高算法对局部噪声及遮挡的鲁棒性，基于重构误差，利用局部稀疏编码模型对筛选后的候选目标进一步评估。仿真结果表明，剧烈光照变化情况下，所提目标跟踪方法具有较高鲁棒性和准确性。

技术领域

本发明属于计算机视觉领域，具体涉及一种光照变化下基于逆向稀疏表示的视觉跟踪方法。

背景技术

目标跟踪是计算机视觉领域的研究热点之一，在行为分析、活动识别、视频监控和人机交互等领域有着广泛应用。经过几十年的研究，视觉目标跟踪技术已经获得显著进展。然而在光照变化、部分遮挡、姿态变化、运动模糊、快速运动及背景杂波等场景下，视觉跟踪仍是一项具有挑战性的任务。

实际场景中，光照变化通常不可避免，若不考虑视频序列中光照变化影响，视觉跟踪方法的效果会显著降低。针对此问题，Nayak等人设计了一种自动修正方案，可在未知照度下变换图像，使其与已知光照模型相匹配。然而，需要注意的是，已知光照模型不能准确反映目标真实光照状态，若光照变化超出其表示范围，可能会导致跟踪失败。Silveira等人在颜色-空间域运用核密度估计建立模糊颜色直方图模型，采用二阶优化方法得到模型参数，从而将强度差异最小化。但该方法无法提升前景与背景的可分性，因而其难以实现复杂背景下准确跟踪。Nhat等人利用光度标准化提出照明不变模板表示方法以消除光照影响，但复杂背景下该方法易发生目标漂移现象，进而导致其跟踪性能下降。基于粒子滤波跟踪技术，Delail等人提出的似然估计模型可通过预测光照强度及方向变化适应不同光照条件，从而改善跟踪性能。然而，该方法计算量较大，从而使得其跟踪实时性能较差，难以用于实际工程。

鉴于稀疏表示在视觉跟踪领域的巨大优势，Mei等人将稀疏表示应用到目标跟踪，利用目标及单位模板重构候选目标以减轻遮挡和噪声对目标跟踪影响，但算法对相似目标较敏感，且计算量较大，实时性较差。针对此问题，Bao等人采用加速近端梯度算法(Accelerated Proximal Gradient Algorithm，APG)求解稀疏表示优化问题以降低算法计算复杂度。然而，所提整体稀疏表示模型无法解决局部噪声及遮挡等因素的影响。基于此，Lu等人提出局部结构化稀疏表示模型，利用样本局部信息改善算法对局部噪声及遮挡的鲁棒性。需要注意的是，上述稀疏跟踪器都需对每个粒子逐次求解优化问题，使得跟踪系统计算复杂度较高，实时性较差。针对此问题，Zhuang等人通过构建多任务逆向稀疏表示模型，通过求解多任务优化问题获得所有粒子权重从而提升系统实时性，然而该模型在光照变化下跟踪性能较弱。

发明内容

本发明为解决上述技术问题，针对光照变化引起目标跟踪性能显著下降的问题，提出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：