[发明专利]一种基于加权稀疏协作模型的目标跟踪方法

摘要

本发明公开了一种基于加权稀疏协作模型的目标跟踪方法，包括1从段视频序列的第一帧图像数据中选取跟踪的目标；2初始化任意一帧f＝1；3利用粒子滤波算法对视频序列中第f帧图像数据进行处理，得到若干个个目标候选框；4利用加权稀疏表示的判别式算法对第f帧图像数据中的目标候选框进行处理，得到目标候选框的判别式评分；5利用加权稀疏表示的产生式算法对第f个帧图像数据中的目标候选框进行处理，得到目标候选框的产生式评分；6得到候选框的最终得分；并比较所有候选框评分的大小，找到最大值对应的候选框即为跟踪结果。本发明能够对一段视频序列中的运动目标进行实时运动估计以及定位，从而实现对运动目标的稳定跟踪。

主权项

一种基于加权稀疏协作模型的目标跟踪方法，其特征是按如下步骤进行：步骤1、选取一段帧数为fmax的视频序列，并从第一帧图像数据中选取跟踪的目标；步骤2、定义任意一帧为f，并初始化f＝1；步骤3、利用粒子滤波算法对所述视频序列中第f帧图像数据进行处理，得到kmax个目标候选框，并对每个目标候选框进行归一化处理；步骤4、利用加权稀疏表示的判别式算法对所述第f帧图像数据中归一化后的第kf个目标候选框进行处理，得到第kf个目标候选框的判别式评分步骤4.1、判断f＝1是否成立，若成立，则将f+1赋值给f后，返回步骤3；否则，执行步骤4.2；步骤4.2、在第f‑1帧图像数据的跟踪结果的周围选取n1个正模板和n2个负模板并有表示正模板中第i个训练样本，表示负模板中第i个训练样本，且q为所述目标候选框的向量大小；由所述n1个正模板A+和n2个负模板A‑经过归一化处理后再合并成判别式模型的字典且n＝n1+n2；步骤4.3、以所述判别式模型的字典A作为判别式算法的输入，对第kf个目标候选框进行处理，得到第kf个目标候选框的全局最优稀疏系数步骤4.4、将所述全局最优稀疏系数α拆分为正向量和负向量并计算正重构误差与负重构误差x为第kf个目标候选框所对应的向量；步骤4.5、利用式(1)得到第kf个目标候选框判别式评分Hkf=exp(-ϵ+-ϵ-σ)---(1)]]>式(1)中，σ为调节参数；步骤5、利用加权稀疏表示的产生式算法对所述第f个帧图像数据中第kf个目标候选框进行处理，得到所述第kf个目标候选框的产生式评分步骤5.1、输入第f个帧图像数据；步骤5.2、将输入的图像数据分为M个小块，且将每一个小块的灰度值都转化为一个灰度值向量，向量大小为p；步骤5.3、利用K‑means聚类算法对所述第一帧图像数据中跟踪目标所在的小块的灰度值向量进行处理，得到产生式模型的字典c为聚类中心的个数；步骤5.4、利用滑动窗口将所述第kf个目标候选框划分为m个图像小块；步骤5.5、以所述产生式模型的字典D作为所述产生式算法的输入，对所述第kf个目标候选框中第i个图像小块yi进行处理，得到第i个图像小块yi的全局最优稀疏编码系数从而得到m个图像小块的全局最优稀疏编码系数，1≤i≤m；步骤5.6、利用式(2)将m个图像小块的全局最优稀疏编码系数拼接起来，得到所述第kf个目标候选框的稀疏编码系数ρkf=[β1T,β2T,...,βiT,...,βmT]---(2)]]>式(2)中，T为转置；步骤5.7、根据所述第kf个目标候选框的稀疏编码系数利用式(3)计算得到所述第kf个目标候选框的产生式评分式(3)中，表示所述稀疏编码系数中第j个元素值；表示特征模板中第j个元素值，所述特征模板是通过步骤5.4‑步骤5.6对第一帧图像数据中选取的跟踪目标框进行处理得到的稀疏编码系数；步骤6、根据所述第kf个目标候选框的判别式评分和产生式评分利用式(4)得到第kf个目标候选框的最终得分HLkf=Hkf·Lkf---(4)]]>步骤7、判断kf＜kmax是否成立，若成立，则将kf+1赋值给kf后，返回步骤4执行，从而得到kmax个目标候选框的最终得分，从kmax个目标候选框的最终得分中选取最大值作为第f个帧图像数据的跟踪结果；否则，将f+1赋值给f后，返回步骤3执行，直到f＞fmax为止，从而实现运动目标的跟踪。