本發明屬于視覺目標跟蹤領域，尤其是一種基于多特征和組稀疏的視覺目標跟蹤方法。
背景技術：
：基于視頻的運動目標跟蹤技術作為計算機視覺領域的核心研究課題之一，主要目的是模仿生理視覺系統的運動感知功能，通過對攝像頭捕捉到的圖像序列進行分析，計算出運動目標在每一幀圖像中的二維坐標位置；然后，根據運動目標相關的特征值，將圖像序列中連續幀間的同一運動目標關聯起來，得到每幀圖像中目標的運動參數以及相鄰幀圖像間運動目標的對應關系，從而得到各個運動目標完整的運動軌跡，即在連續的視頻序列中建立運動目標的對應關系。基于稀疏表示和字典學習的視覺目標跟蹤方法核心是構建目標的稀疏表示模型。XueMei(XueMeiandHaibinLing,“Robustvisualtrackingusingl1minimization,”inComputerVision,2009IEEE12thInternationalConferenceon.IEEE,2009,pp.1436-1443.)等人提出了一種基于L1范數最優化的稀疏表示模型。其核心是用第一幀和最近幾幀得到的圖像(特征)作為字典，在新的候選目標中，利用L1最小二乘準則投影到這一組字典上，找出實際目標。TianzhuZhang等人(TianzhuZhang,BernardGhanem,SiLiu,andNarendraAhuja,“Robustvisualtrackingviamulti-tasksparselearning,”inComputerVisionandPatternRecognition(CVPR),2012IEEEConferenceon.IEEE,2012,pp.2042–2049.)在此基礎上通過引入多任務稀疏學習，進一步優化了候選粒子和稀疏求解結果。XiangyuanLan等人(XiangyuanLan,AndyJinhuaMa,andPongChiYuen,“Multi-cuevisualtrackingusingrobustfeature-levelfusionbasedonjointsparserepresentation,”inComputerVisionandPatternRecognition(CVPR),2014IEEE.Conferenceon.IEEE,2014,pp.1194–1201.)提出了一種多特征融合的目標跟蹤方法，通過引入多特征以及特征融合，增加了目標跟蹤的精度。雖然上述方法在一定程度上可以進行目標跟蹤，但是，也均存在精確度不高、穩定性差等問題。技術實現要素：本發明的目的在于克服現有技術的不足，提供一種設計合理、精度高且穩定性強的基于多特征和組稀疏的視覺目標跟蹤方法。本發明解決其技術問題是采取以下技術方案實現的：一種基于多特征和組稀疏的視覺目標跟蹤方法，包括以下步驟：步驟1、在視頻當前幀中對目標進行多特征提取，所提取特征包括灰度特征、顏色特征和LBP特征；步驟2、利用多特征信息構造不同特征下的學習字典，利用二維仿射變換對目標圖像進行映射，轉換成一個固定大小的矩形區域；步驟3、在新視頻幀中進行粒子采樣，采樣按照高斯分布：在上一幀的目標附近放置更多的粒子，遠離目標的區域放置較少的粒子；步驟4、采用邊界粒子重采樣以去除不合格的粒子，然后對剩下的粒子求解稀疏優化方程；步驟5、更新模板，考察本幀結果和最大系數模板的余弦相似度，如果相似度低于某一個值，則用當前模板替換系數最小的模板；步驟6、若視頻未結束，則重采樣，生成下一幀跟蹤所需的n個粒子，返回步驟3。所述步驟2中構造不同特征下的學習字典包含目標模板和瑣碎模板，該學習字典的構建方法包括以下步驟：⑴通過仿射變換將高維的原始目標圖像特征轉換為低維的圖像特征，同時目標區域發生形變時，不同形狀的區域目標進行統一性測量計算；仿射變換通過平移、縮放、翻轉、旋轉和錯切方法實現，矩陣運算表示為：x′y′1=a11a12a13a21a22a23001xy1]]>其中x，y為原始點的坐標，x′，y′為變換后的點坐標，a11，a12，a13，a21，a22，a23是仿射變換的六個系數；⑵對經過仿射變換后的目標圖像區域進行特征提取，每一個特征的學習字典構成為：D＝(TI)，其中目標模板集T＝t1，t2，…，tl，I是瑣碎模板。所述步驟3的具體實現方法為：計算樣本狀態xt的觀測似然概率p(zt|xt)，對于樣本狀態集S＝x1，x2，…，xn，以及候選目標集O＝y1，y2，…，yn，稀疏優化表示為：yti=TtaTi+IaIj,∀yti∈Ot]]>其中i表示第i個粒子，a＝aTaI表示稀疏系數。所述步驟4邊界粒子重采樣采用t測試方法實現，包括以下步驟：(1)計算所有粒子觀測概率上界：p(z|x)=1Γexp-α||yi-TaTi||22=q(z|xi)]]>并對它們進行排序：q1≥q2≥…≥qn，i＝1；(2)如果i≤n，根據每個樣本狀態的觀測似然概率：p(z|x)=1Γexp-α||yi-TaTi||22]]>利用計算出τi+1，如果i>n，則跳到步驟(4)；(3)如果qi≥τi，則i＝i+1，并且返回步驟(2)繼續求解；如果qi≤τi，則qi，qi+1，…，qn對應的粒子都將被舍棄；(4)對剩下的粒子進行重采樣。所述步驟4求解稀疏優化方程的方法包括以下步驟：(1)構造分組字典：D＝D1，D2，…Dg，在多特征下，加入瑣碎模板后的字典表示為：Xk＝Dk，I，K表示采用了k種描述特征；(2)建立組稀疏數學優化模型：其中，分組系數優化表示為：Ωak=||||a1k||2,||a2k||,...,||agk||||=Σi=1g||aik||2]]>將權重q分配到各組中，聯合表示為：minw12Σk=1K||yk-Xkak||22+λΩa,s.t.a=z||zk||θ,2,1:=Σi=1gθi||zik||2.]]>所述稀疏模型采用交替方向乘子法實現，其實現方法包括以下步驟：(1)初始化向量z，λ1，λ2以及大于零的系數β1，β2，γ1，γ2；(2)式子未收斂或循環次數未達到時，進行如下計算：a←β1I+β2XTXβ1z-λ1+β2XTy+XTλ2Z←Shrink(a+1β1λ1,θβ1)]]>λ1←λ1-γ1β1z-aλ2←λ2-γ2β2Xa-y。所述步驟5中模板更新采用實時更新的策略，更新步驟如下：(1)y是在新的幀內找到的目標，ak表示在第k個特征下目標模板的系數，特征選擇根據觀測概率方程決定：pyt|xt=1βΣk=1Kexp-α||ytk-Dtkatk||]]>選取能使該方程取值最大的特征作為當前有效特征；(2)計算新目標y與各個模板T＝t1，t2，…，tl的相似度，其相似度使用余弦相似度來度量：cosy,ti=y·ti|y||ti|,i=1,2,...l]]>計算平均相似度：1lΣi=1lcosy,ti]]>并設一個經驗閾值η，當平均相似度低于η時把相似度最低的模板替換。所述步驟6中重采樣采用序貫重要性采樣算法，其方法如下：以狀態轉移變量的轉移概率密度函數pxk|xk-1作為重要性概率密度函數，粒子的權值為：wti=wt-1ipyt|xti]]>在重采樣時，忽略低權重的粒子，對高權重的粒子不斷復制。本發明的優點和積極效果是：本發明融合了多特征、粒子濾波、組稀疏學習技術，其通過跟蹤物體的多種特征使得構造的字典中含有更豐富的目標信息；其運用了一種新的組稀疏求解方法，該方法能夠更精確的匹配潛在目標，增加了整體算法的跟蹤精度；并且在粒子濾波框架下跟蹤結果有很大的穩定性，利用交替方向乘子法解決算法構成的數學模型，獲得了很好的視覺目標跟蹤結果。附圖說明圖1是本發明與其他不同算法獲得的跟蹤結果AUC曲線對比圖；圖2是本發明與其他不同算法的跟蹤結果對比圖。具體實施方式以下結合附圖對本發明實施例做進一步詳述：一種基于多特征和組稀疏的視覺目標跟蹤方法，包括以下步驟：步驟1、在視頻當前幀中對目標進行多特征提取，提取的特征有灰度特征、顏色特征、LBP特征。本發明利用多特征對跟蹤目標進行描述，使用的特征包括：灰度特征、顏色特征和LBP特征。灰度特征是最常用的全局特征，灰度化之后的圖片所含信息量大大減小，所需的計算量也相應的大幅減小。顏色特征描述了圖像或圖像區域所對應的景物的表面性質，在彩色圖像的目標跟蹤中發揮著重要作用。LBP特征是一種用來描述局部紋理特征的算子，具有旋轉不變性和灰度不變性等優點，所提取的是局部紋理特征。步驟2、利用多特征信息構造學習字典，利用二維仿射變換對目標圖像進行映射，轉換成一個固定大小的矩形區域，以降低特征的維度。所述構造學習字典構成包括以下步驟：(1)通過仿射變換可以將高維的原始目標圖像特征轉換為低維的圖像特征，同時目標區域發生形變時，不同形狀的區域目標進行統一性測量計算。仿射變換通過一系列的原子變換的復合實現，包括：平移(Translation)，縮放(Scale)，翻轉(Flip)，旋轉(Rotation)和錯切(Shear)。矩陣運算表示為：x′y′1=a11a12a13a21a22a23001xy1]]>其中x，y為原始點的坐標，x′，y′為變換后的點坐標，a11，a12，a13，a21，a22，a23是仿射變換的六個系數。(2)對經過仿射變換后的目標圖像區域進行特征提取，每一個特征其學習字典構成為：D＝(TI)。其中目標模板集T＝t1，t2，…，tl，I是單位矩陣，即瑣碎模板。步驟3、在新的視頻幀中進行粒子采樣，采樣按照高斯分布：在上一幀的目標附近放置更多的粒子，遠離目標的區域放置較少的粒子。其中，每一個粒子代表一個候選目標。具體處理方法為：目標搜索在整幅圖像進行，并由粒子分布決定。在本文跟蹤算法中，稀疏表示的作用就是計算樣本狀態xt的觀測似然概率p(zt|xt)。對于樣本狀態集S＝x1，x2，…，xn，以及候選目標集O＝y1，y2，…，yn，稀疏優化思想可以表示為：yti=TtaTi+IaIi,∀yti∈Ot]]>其中i表示第i個粒子，a＝aTaI表示稀疏系數。步驟4、邊界粒子重采樣，去除一些不合格的粒子，對剩下的粒子求解稀疏優化方程，采用組稀疏的優化策略：將目標模板(targettemplate)賦予更高的統一權重；將瑣碎模板(trivialtemplate)賦予更低的統一權重。重采樣可用t測試方法，步驟如下：(1)計算所有粒子觀測概率上界：p(z|xi)≤1Γexp-α||Ta-yi||22=q(z|xi)]]>并對它們進行排序：q1≥q2≥…≥qn，i＝1。(2)如果i≤n，根據每個樣本狀態的觀測似然概率：p(z|x)=1Γexp-α||yi-TaTi||22]]>利用計算出τi+1，如果i>n，則跳到步驟4.(3)如果qi≥τi，則i＝i+1，并且返回步驟2繼續求解；如果qi≤τi，則qi，qi+1，…，qn對應的粒子都將被舍棄。(4)對剩下的粒子進行重采樣。為了更精確的匹配潛在目標，本發明構造了一種基于組稀疏學習的優化策略。步驟如下：(1)構造分組字典：D＝D1，D2，…Ｄg。在多特征下，加入瑣碎模板后的字典表示為：Xk＝Dk，I，K表示采用了k種描述特征。(2)建立組稀疏數學優化模型：minw12Σk=1K||yk-Xkak||22+λΩa]]>其中分組系數優化表示為：Ωak=||||a1k||2,||a2k||,...,||agk||||=Σi=1g||aik||2]]>將權重q分配到各組中，聯合表示為：minw12Σk=1K||yk-Xkak||22+λΩa,s.t.a=z||zk||θ,2,1:=Σi=1gθi||zik||2]]>本專利采用交替方向乘子法解決多特征的組稀疏模型，交替方向乘子法步驟如下：初始化向量z，λ1，λ2；以及大于零的系數β1，β2，γ1，γ2。式子未收斂或循環次數未達到時計算下面式子：a←β1I+β2XTXβ1z-λ1+β2XTy+XTλ2Z←Shrink(a+1β1λ1,θβ1)]]>λ1←λ1-γ1β1z-aλ2←λ2-γ2β2Xa-y。步驟5、更新模板，每次計算都可得到每一個目標模板的系數，系數越大模板權重越大。考察本幀結果和最大系數模板的余弦相似度，如果相似度低于某一個值，則用當前模板替換系數最小的模板。模板更新采用實時更新的策略，更新步驟如下：(1)y是在新的幀內找到的目標，ak表示在第k個特征下目標模板的系數，特征選擇根據觀測概率方程決定：pyt|xt=1βΣk=1Kexp-α||ytk-Dtkatk||]]>選取能使該方程取值最大的特征作為當前有效特征。(2)計算新目標y與各個模板T＝t1，t2，…，tl的相似度，其中它們的相似度使用余弦相似度來度量：cosy,ti=y·ti|y||ti|,i=1,2,...1]]>為了避免頻繁替換模板帶來的抖動問題，我們計算平均相似度：1lΣi=1lcosy,ti]]>并設一個經驗閾值η，當平均相似度低于η時把相似度最低的模板替換。步驟6、若視頻未結束，則重采樣，生成下一幀跟蹤所需的n個粒子，返回步驟3。具體方法為：重采樣采用了序貫重要性采樣算法。以狀態轉移變量的轉移概率密度函數pxk|xk-1作為重要性概率密度函數，粒子的權值為：wti=xt-1ipyt|xti]]>重采樣算法忽略低權重的粒子，對高權重的粒子不斷復制。為了克服權值退化問題，即數次迭代后只有少數粒子的權值較大，需要再給粒子加一個隨機量，在附近分散一下粒子。下面按照本發明方法進行實驗，說明本實驗的實驗效果。測試環境：VisualStudio2010,MATLAB2013b測試序列：所選序列和其對應標準跟蹤位置圖(GroundTruth)來自OTB(Y.Wu,J.Lim,andM.-H.Yang.Onlineobjecttracking:Abenchmark.InProceedingsofIEEEConferenceonComputerVisionandPatternRecognition,2013),測試序列分別為：測試指標：本文使用了兩種評價指標，分別為CLE和VOR。其中CLE是中心位置誤差，表示跟蹤到的目標位置和真實的標注位置的中心位置像素距離。CLE忽略了目標大小的影響，作為補充考慮VOR準則，VOR定義為跟蹤的目標區域和真實區域的交集和并集的比值。測試結果如圖一所示，曲線與坐標軸下面圍成的面積越大，說明跟蹤效果越好。通過上表及圖1、圖2可以看出，采用本發明進行目標跟蹤相對于其他方法具有一定的優越性。在圖1中，算法越靠上說明其魯棒性越好，該圖可以直觀的看出每一個算法的綜合能力。本發明所提出的算法相對于較有名的Struck、DLT和SCM算法在這些測試序列上都取得更好效果。在圖2中，所測試的序列包含了快速運動目標，如Deer序列；以及復雜背景下的目標的跟蹤，如Football、singer2序列；并且在行人場景的跟蹤也取得了很好的效果，如Walking、Couple、Jogging和Subway序列。在發生部分遮擋的情況下也有較好的表現，如Coke、David3序列；在圖像分辨率較低、跟蹤目標信息量較少的情況下也能準確跟蹤目標，如Skiing、Girl序列。需要強調的是，本發明所述的實施例是說明性的，而不是限定性的，因此本發明包括并不限于具體實施方式中所述的實施例，凡是由本領域技術人員根據本發明的技術方案得出的其他實施方式，同樣屬于本發明保護的范圍。當前第1頁1 2 3