[发明专利]一种基于压缩不规则分块LBP的视频目标跟踪方法

摘要

一种基于压缩不规则分块LBP的视频目标跟踪方法，该方法采用压缩采样后的不规则分块LBP特征向量对被跟踪目标或候选目标进行表述，采用粒子滤波框架对候选目标进行搜索，采用朴素贝叶斯分类器对候选目标的压缩特征向量是否目标跟踪结果进行判别。该方法不仅促进了视频目标跟踪的处理速度，同时在重度光照改变和姿势变化、视角旋转和突然运动、背景混乱、相似目标干扰等多种复杂场景下都能保持准确的跟踪效果。

主权项

1.一种基于压缩不规则分块LBP的视频目标跟踪方法，其特征在于，步骤如下：步骤一.选定跟踪区域以视频帧序列中每一帧左上角为坐标原点(1,1)，视频帧宽高分别为W和H；选定第一帧中待跟踪目标的矩形区域(x₀,y₀,w,h)，即左上角坐标为(x₀,y₀)，待跟踪目标区域的宽高分别为w,h；步骤二.初始化粒子集合根据第一帧选定的待跟踪目标复制生成k个粒子，形成初始化粒子集合每个粒子的初始权重为1/k，即步骤三.初始化测量矩阵压缩采样过程中使用的压缩测量矩阵是一个稀疏随机高斯矩阵，m×n表示测量矩阵的维数；R中每行中非零元素的个数为R中所有非零元素的个数为其余元素皆为零；R中每一个非零元素值对应一个特定位置的不规则分块LBP特征也就是iRB‑LBP特征；矩阵R生成后，在整个跟踪过程中R的非零元素值及其对应的iRB‑LBP特征位置均不再发生变化，即后续每一个候选目标的压缩特征向量都要根据此时生成的R进行计算；R的列数n，是iRB‑LBP特征向量的维数；令w'和h'表示一个iRB‑LBP特征值对应区域的宽度和高度，w'取值范围为3～w，h'的取值范围为3～h，n的计算方法如下：n＝(w‑2)×(h‑2)          (1)R的行数m，是压缩特征的维数；令K＝10，c＝1/logn，m的计算方法如下：矩阵R的(i,j)位置元素计算公式为：其中，s＝n/lnn表示测量矩阵的稀疏程度；步骤四.初始化目标分类器采用朴素贝叶斯分类器H(y)对后续帧序列中候选目标是否为被跟踪目标进行判别，H(y)定义如下：其中，y为被跟踪目标或候选目标区域的压缩iRB‑LBP特征向量也就是CiRB‑LBP特征向量，p(v＝1)和p(v＝0)分别表示y符合正样本分布和符合负样本分布的概率，p(v＝1)＝p(v＝0)＝0.5，v∈{0,1}；假设条件分布p(y_i|v＝1)和p(y_i|v＝0)符合四个参数的高斯分布，即步骤五.更新目标分类器如果是第一帧，以当前选定的被跟踪目标矩形区域作为基准区域，否则，以当前最佳候选目标即跟踪结果的矩形区域作为基准区域；依据基准区域产生正样本和负样本，进而对目标分类器的各个参数进行更新；步骤六.输入下一视频帧步骤七.预测候选目标的粒子集合根据上一帧的粒子集合预测生成当前帧的候选粒子集合步骤八.计算所有候选目标的CiRB‑LBP特征向量令表示矩形区域的CiRB‑LBP特征向量，m×1表示CiRB‑LBP特征向量的维数，表示被跟踪目标或候选目标矩形区域的iRB‑LBP特征向量，n×1表示iRB‑LBP特征向量的维数，n为矩形区域中可能的iRB‑LBP特征个数，x中每一个元素x_j,j＝1～n对应一个iRB‑LBP特征值；对于一个特定的候选目标，其CiRB‑LBP特征向量y的计算方法如下：步骤九.判别跟踪结果首先，根据步骤四中H(y)的计算公式计算每一个候选目标CiRB‑LBP特征向量y的评价值；由于粒子的权重必须是一个正值，而H(y)可正可负，为了正确地对候选目标权重进行更新，找到评分值最小的候选目标依据公式H_j(y)＝H_j(y)‑H_minj(y)+ε将所有H(y)转化为正值，其中ε＞1.0；对k个候选目标的评价值正则化，即根据正则化后的评价值对各个候选目标的权重进行更新，即w_tj＝w_tj×φ+H_j(y)×(1‑φ)，φ＝0～1；对更新后的权重进行正则化，即正则化具有最大权重的候选目标即为当前帧的跟踪结果；根据权重w_tj对候选目标即粒子进行从大到小排序，依据权重较大的粒子依次重采样，舍弃权重较低的粒子；步骤十.如果当前帧是最后一帧，跟踪结束；否则，转至步骤五重复循环。