[发明专利]基于复合稀疏模型的视频目标跟踪方法

摘要

一种计算机视觉领域的基于复合稀疏模型的视频目标跟踪方法，基于复合稀疏表观模型在粒子滤波框架下，将所有粒子观测的联合稀疏系数矩阵分为组稀疏性、元素稀疏性和异常稀疏性三部分组成，代表了粒子在字典上的共享和非共享特征以及加性稀疏噪声。本发明使用L_1,∞范数和L_1,1范数正则化实现复合稀疏性，并采用变方向乘子法求解优化问题，具有较高的计算效率。本发明还提出了一种动态字典更新方法，以适应目标表观的变化。实验表明，本发明所提出的算法比所比较的几种传统视频目标跟踪算法有更好的跟踪性能和鲁棒性。本发明可以被应用于人机交互、智能监控、智能交通、视觉导航、视频检索等领域。

主权项

一种基于复合稀疏模型的视频目标跟踪方法，其特征在于，包括以下步骤：第一步：在待测试视频的初始帧，即第一帧中手工选择被跟踪目标，用其初始位置生成初始粒子集在初始位置周围紧采样生成初始字典D；第二步：在待测试视频的每一帧中，使用目标的运动模型预测粒子状态第三步：提取预测的每一个粒子的区域的像素值并压缩为观测矩阵Y；第四步：在复合稀疏表观模型$Y=\left[\begin{array}{cc}D& I_m\end{array}\right]\left[\begin{array}{c}B+S\\ T\end{array}\right]=D(B+S)+I_{m}T$中，通过L_1，∞和L_1，1范数优化计算联合稀疏系数矩阵B、分别代表粒子在字典D上的共享特征和个性特征的元素稀疏矩阵S以及代表粒子在异常模板上的稀疏系数的元素稀疏矩阵T；第五步：计算重构误差E，并对每个粒子的权重进行更新；第六步：以更新后权重最大的粒子作为当前帧的目标，该目标的状态为观测为第七步：使用观测通过自适应方式更新字典中的模板和稀疏；第八步：输出所有帧的状态估计值，即为该视频中目标的跟踪结果。