[发明专利]一种基于视频帧间低秩关联信息一致性的实时物体追踪方法

摘要

本发明公开了一种基于视频帧间低秩关联信息一致性的实时物体追踪方法，该方法将视频分为每段k帧的帧段，然后分别对具有相对一致背景的分割好的视频帧段上执行低秩分析，从而得到显著物体的运动轨迹。步骤如下首先采用基于双边随机映射的低秩分析来准确的跟踪短期稳定的视频帧段背景。然后为了消除由于观测角度变化引起的视觉变化带来的副作用，将低秩背景先验结合到前一帧段中来对当前帧段求解基于鲁棒显著运动检测的RPCA低秩恢复。同时利用从稳定的帧段中提取的一系列特征线索加快对低秩背景信息的更新，更有效的克服一些顽固的问题。本发明能够从视频中准确的检测出运动物体，并能够在动态视频中取得同样的效果，具有检测速率高，鲁棒性好，抗干扰性强等特点。

主权项

一种基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：包括以下六个步骤：步骤(1)、局部背景追踪：首先需要对图像进行基于局部约束的压缩感知的目标物体特征描述，在此基础上对背景进行一个追踪，也就是选取一块区域作为跟踪块，将其特征化，在下一帧中寻找与其最相似的一块，由于背景在相邻几帧之内变化幅度很小，所以选取以这个区域中心点为中心，半径为d的圆作为候选区域的中心，采用BRP(双边随机映射)来找到最佳点；步骤(2)、全局背景追踪：在步骤(1)的基础上，将一帧图像分为9个子区域，分别对这九个子区域进行追踪，找到它们的中心点在下一帧的位置，根据这9个子区域的特征赋予相应的权重，最后综合这9个子区域的位置变化来描述两帧之间背景的运动变化，然后再将图像帧背景通过反方向移动使得其与上一帧背景保持相对一致；步骤(3)、基于校正RPCA的低秩背景恢复：在步骤(1)、(2)中已经获取了具有相对一致背景的视频帧段之后，由于视角变化、相机抖动等干扰因素对背景的影响，会使得效果不能达到预期，需要对这些干扰因素进行建模，即假定背景乘以τ之后将之前的干扰消除，然后对新得到的背景模型进行低秩分解，对其求解得到τ，就可以得到校正后的背景；步骤(4)、低秩先验的偏RPCA显著运动检测：由于在一个帧段中帧的数量有限，许多与显著运动物体相关的小部分会一直表现为显著，引入上一帧段的低秩背景信息到这个帧段的低秩分解过程，以之前的显著性信息来更正这样一些错误；步骤(5)、使用显著信息更新低秩背景先验：由于物体运动之后移走的部分被背景所填充，在低秩分解中会错误的被对待，所以需要对前一帧段检测到的显著运动物体进行显著程度分析来更新当前的低秩信息，在计算过程中我们使用逐块(超像素)的计算代替传统方法的逐像素计算以减少计算量，将显著程度代入到当前低秩先验的更新中，显著度的计算使用RGB特征来计算；步骤(6)、动态背景的显著信息：根据动态背景区域的稀疏程度比静态背景变化的更频繁、当运动物体经过时动态背景的稀疏度变化相对弱、运动物体的稀疏度变化幅度和时间都会比动态背景更多，逐批的计算变动的次数与事先定义的阈值来衡量显著程度，以此来分辨出动态背景与运动物体。