[发明专利]基于梯度纹理特征的稀疏跟踪方法

摘要

本发明通过联合使用梯度纹理特征和目标的仿射变换参数构建目标的外观模型，提出一种稀疏跟踪方法，包括如下步骤构建初始字典，抽取候选粒子，构建梯度纹理特征，抽取字典模板的梯度纹理特征，抽取候选样本的梯度纹理特征，用字典中的所有模板线性表示候选样本，求解稀疏系数，构建重构误差。梯度纹理特征能很好地解决因旋转、尺度以及光照变化等问题引起的目标外观变化。仿射变换能够有效处理由于尺度变换或者视角变换带来的挑战。采用增量子空间学习的方法对模板进行更新，有效抑制跟踪漂移并能处理目标遮挡等问题。本发明提出的基于梯度纹理特征的稀疏跟踪方法，在复杂场景下能保持目标跟踪的稳定性，提高跟踪器的精度。

主权项

一种基于梯度纹理特征的稀疏跟踪方法，其特征在于：包括如下步骤：(1)步骤一：构建初始字典，通过简单跟踪器跟踪前n帧视频序列，将得到的跟踪结果用于构造字典模板T＝[T1,T2,...,Tn]，其中Ti(i＝1,...,n)表示第i个模板，n表示模板数目；(2)步骤二：抽取候选粒子，在目标跟踪过程中，相邻帧之间目标移动很小，对新的一帧图像，在上一帧跟踪目标位置周围进行高斯采样，选取目标的运动仿射参数作为目标的状态变量，表示为其中xt,yt,θt,st,λt,分别表示目标在第t帧x,y坐标、旋转角度、尺度变化、宽高比、倾斜度；(3)步骤三：构建梯度纹理特征，高斯函数用公式表示为：图像I的一阶和二阶偏导数用以下方式定义：Ix=I*GxIy=I*GyIIxx=I*GxxIxy=I*GxyIyy=I*Gyy]]>其中*表示卷积，Gx和Gy分别表示G关于x和y的一阶偏导数，Gxx,Gxy和Gyy分别表示G关于x和y的二阶偏导数，图像曲面I的平均曲率H和高斯曲率K用以下公式计算得：H=Ixx(1+Iy2)+Iyy(1+Ix2)+2IxIyIxy(1+Ix2+Iy2)32]]>K=IxxIyy-Ixy2(1+Ix2+Iy2)2]]>由平均曲率和高斯曲率构成的梯度纹理特征F如下所示：F=H2+K2]]>(4)步骤四：抽取字典模板的梯度纹理特征，对于每个模板，抽取其梯度纹理特征并向量化为特征向量，重新构建字典为D＝[d1,d2,...,dn]∈Rd×n，其中di(i＝1,...,n)表示第i模板向量化后的特征向量，d是每个模板的向量维数；(5)步骤五：抽取候选样本的梯度纹理特征，候选样本采用与字典模板相同的特征，提取它们的梯度纹理特征，用F＝[f1,f2,...,fN]∈Rd×N描述N个候选样本，fi(i＝1,...,N)表示第i个候选样本的特征向量，d是每个模板的向量维数；(6)步骤六：用字典中的所有模板线性表示候选样本，将字典模板用以下方式线性表示：fi＝Dαi+ε＝αi1d1+αi2d2+…+αindn+εi,i＝1,...,N式中，D＝[d1,d2,...,dn]是由前n帧图像中目标观测向量矩阵的特征向量构成的字典，εi表示残差项，αi＝[αi1,αi2,…,αin]∈Rn是第i个候选样本的稀疏系数；(7)步骤七：求解稀疏系数。通过L1范数最小化求解：min||fi-Dαi||22+λ||αi||1]]>其中，λ为正则化参数，控制系数αi的稀疏度；(8)步骤八：构建重构误差。利用字典模板与候选样本进行候选样本的误差重构，重构误差计算如下：rei=||fi-Dαi||22,i=1,...,N.]]>