[发明专利]光照变化下基于逆向稀疏表示的视觉跟踪方法

摘要

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。

主权项

1.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：其中，分别表示第i个候选目标及目标模板第j个局部块平均亮度值；与基于目标模板线性稀疏表示候选目标方法相反，本方法基于候选目标集Y线性表示目标模板t，即：其中，t为矢量化目标模板，c为稀疏系数向量，λ为稀疏惩罚参数，为矢量化候选目标构成的候选目标矩阵，d为每个目标模板矢量化后长度，m为候选目标个数，||·||₂为向量的l₂范数算子，||·||₁为向量的l₁范数算子；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，则第i个目标模板的光照补偿系数向量表示为：其中，r2为分块j的像素个数，kij,i＝1,…,n,j＝1,…,L，n,L分别为目标模板和单个目标模板分块的个数；基于式(2)及(3)，得到光照补偿与逆向稀疏表示联合优化模型，即：其中，ti为第i个目标模板的光照补偿系数向量，ci为对应于第i个目标模板的稀疏系数向量，⊙表示Hadamard积；基于式(4)，将候选目标矩阵Y线性表示目标模板集的优化问题表示为：由式(3)对所有目标模板的光照补偿系数矩阵K表示为：K＝[k1,k2,…,kn]   (6)矢量化目标模板以构成目标模板矩阵d为每个目标模板矢量化后长度，n为目标模板个数；由于粒子均在上一帧目标位置附近选取，因此粒子间具有相关性，考虑粒子间相关性，稀疏编码矩阵C中每一列均稀疏且相似，利用惩罚项||C||_2,1限制稀疏编码矩阵C，其中则将光照补偿与多任务逆向稀疏表示联合优化模型表示为：其中，C＝[c1,c2,…,cn]为稀疏编码矩阵，||·||F为矩阵Frobenius范数算子，即矩阵元素绝对值的平方和后开平方；3.求解联合优化模型针对式(7)联合优化问题，采用交替迭代方法进行求解：步骤1：已知稀疏编码矩阵C条件下，考虑求解光照补偿系数矩阵K的优化问题：设则对S和目标模板T不重叠分块，并对每个分块按从左到右顺序矢量化，则根据式(8)求得第i个目标模板和候选目标第j个分块(即t_ij和s_ij)的平均亮度值，即：将式(8)所得和代入式(1)得到k_ij，再将k_ij代入式(3)得到光照补偿系数向量k_i，最后将k_i代入式(6)得到光照补偿系数矩阵K；步骤2：得到最优光照补偿系数矩阵K后，将其代入式(7)，考虑关于稀疏编码矩阵C的优化问题，即：式(9)为多任务稀疏学习问题，通过加速近端梯度法实现高效求解；加速近端梯度法通过迭代更新矩阵C(k)和聚合矩阵V(k)以求得稀疏编码矩阵C，每一步迭代包括两个步骤：1)保持V(k)不变，更新稀疏表示矩阵C(k)；2)通过C(k+1)和C(k)线性组合，更新聚合矩阵V(k)；首先给出当前估计V(k)，通过计算式(10)得到C(k+1)；其中，时间参数参数表示梯度下降步长，然后线性组合C^(k+1)和C^(k)以更新V^(k+1)，即：其中，将α_k设定为k≥1；k＝0时，α₀＝1，初始化V⁽⁰⁾和C⁽⁰⁾为全零矩阵；当目标函数下降值小于预先设定阈值则APG算法满足收敛条件，算法迭代停止；重复步骤1和步骤2直至满足迭代收敛条件，即相邻两次迭代光照补偿系数矩阵K的误差小于设定阈值即求得稀疏编码矩阵C及光照补偿系数矩阵K；4.筛选候选目标设n个目标模板T＝[t1,t2,…,tn]由m个候选目标Y＝[y1,y2,…,ym]及稀疏编码矩阵C稀疏表示，通过式(12)判断候选目标yj是否被选择并进一步评估：其中，表示候选目标y_j与目标模板t_i的相似度，如果不全为0，则表明候选目标y_j与某些目标模板具有相似性，选择候选目标y_j并进行进一步评估，否则被视为不相关候选目标，拒绝接受进一步评估；候选目标被筛选后，保留的候选目标被缩小至较小集合其中p＜＜m，从而可降低算法运算量，提升算法实时性；5.局部结构化评估将光照补偿后目标模板集T^*中每个模板分成N个重叠局部块，得到Nn个局部块以用于构建字典每个候选目标Y_j被分割成块{y_k|k＝1,…,N}每个y_i都被字典D稀疏编码，即：其中表示y_k的稀疏系数向量；如果候选目标Y_j接近目标模板，则对应子字典对其局部块y_k有较好表示，对应子系数则为是a_k的第j个元素，由此，局部块y_k对应重构误差表示为：所有局部块重构误差{ε1,ε2,…,εN}被计算后，候选目标Yj的似然模型被构造为：6.粒子滤波框架基于粒子滤波方法，观测目标集定义为Zr＝[z1,z2,…,zr]，其中zr为时刻r目标观测量，目标跟踪过程中，利用仿射变换对相邻帧目标运动建模，并通过最大后验估计获得状态xr的估计，即：其中，表示第r帧中第i个候选样本的后验概率，利用贝叶斯推理框架递归推导，即：p(xr|Zr)∝p(zr|xr)∫p(xr|xr‑1)p(xr‑1|Zr‑1)dxr‑1   (17)其中，p(xr|Zr)表示第r帧候选样本的后验概率，p(xr|xr‑1)为目标相邻帧间的目标状态先验概率，p(zr|xr)为状态xr下zr的观测概率，∝为正比算子；基于式(15)得p(zr|xr)，将其带入式(17)，并通过式(16)得到目标状态最优估计，从而实现目标的精确追踪；7.更新目标模板令η＝[η1,η2,…,ηp]表示相似度向量，阈值θ描述相似度，每帧利用式(18)测量当前跟踪结果与第i个目标模板之间相似性ηi，即：其中，表示第r帧跟踪结果，t_i表示第i个目标模板，将最大相似度值Ω＝maxη_i,i＝1,2,…m与阈值θ比较，若Ω>θ，则该目标模板与新目标相似度最大，并用当前跟踪结果替换对应目标模板；否则，相邻帧变化较大或目标部分被遮挡，则不更新此候选目标。