一種基于分塊稀疏表達(dá)與hsv特征融合的目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域與智能監(jiān)控領(lǐng)域，尤其涉及及一種基于分塊稀疏表達(dá) 與HSV特征融合的目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002] 現(xiàn)有的目標(biāo)跟蹤算法主要有四類：一是中心加權(quán)的區(qū)域匹配的跟蹤算法，典型方 法為Mean-shift，該方法搜索速度快，在一定程度上能克服物體的旋轉(zhuǎn)和扭曲，但目標(biāo)遇到 相似顏色物體時(shí)，算法會(huì)失效；第二類是基于子塊匹配的跟蹤算法，將目標(biāo)區(qū)域分成若干子 塊，分別對(duì)子塊進(jìn)行跟蹤，可較好解決遮擋情況下剛性目標(biāo)跟蹤問題，但是過于依賴子塊劃 分，穩(wěn)定性不夠好；第三類是基于軌跡預(yù)測的跟蹤算法，典型方法為卡爾曼濾波，該方法通 過目標(biāo)的運(yùn)動(dòng)信息，如位置、速度、加速度等信息來預(yù)測目標(biāo)在下一幀的位置，對(duì)于線性運(yùn) 動(dòng)的目標(biāo)具有較好的跟蹤效果，對(duì)非線性運(yùn)動(dòng)往往會(huì)失效；最后一類是基于貝葉斯理論的 跟蹤算法，典型方法為粒子濾波算法，可適用于任何非線性非高斯的運(yùn)動(dòng)系統(tǒng)，但在長時(shí)間 跟蹤時(shí)，粒子群不同程度的退化會(huì)影響算法的穩(wěn)定性和可靠性。
[0003] 基于稀疏表達(dá)的目標(biāo)跟蹤算法是近些年發(fā)展較快的一種新型跟蹤算法，由于具 有表示方式簡單，能夠挖掘出圖像數(shù)據(jù)內(nèi)部的信息，魯棒性強(qiáng)以及對(duì)光照變化與遮擋情況 較好的處理等優(yōu)點(diǎn)，因而有著廣闊的應(yīng)用前景，如文獻(xiàn)"W. Zhong，H. Lu，and M. -H. Yang. Robust Object Tracking via Sparsity-based Collaborative Model. In CVPR，2012?"但 是，由于稀疏跟蹤算法通常處理的是灰度圖像，對(duì)顏色信息不夠敏感，對(duì)于姿態(tài)變化的運(yùn)動(dòng) 物體跟蹤效果不佳，同時(shí)，在獲取稀疏字典與求解稀疏線性方程時(shí)會(huì)消耗大量時(shí)間，影響了 算法的實(shí)時(shí)性。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明提供了一種基于分塊稀疏表達(dá)與HSV特征融合的目標(biāo)跟蹤方 法，可在光照、尺度變換、嚴(yán)重遮擋、物體姿態(tài)變換等的惡劣條件下實(shí)現(xiàn)目標(biāo)跟蹤的魯棒性 與精準(zhǔn)性。
[0005] 為了解決上述技術(shù)問題，本發(fā)明是這樣實(shí)現(xiàn)的：
[0006] 本發(fā)明的一種基于分塊稀疏表達(dá)與HSV特征融合的目標(biāo)跟蹤方法，包括如下步 驟：
[0007] 步驟1、根據(jù)第一幀的目標(biāo)模板信息建立目標(biāo)的稀疏字典，具體為：
[0008] 針對(duì)輸入的視頻圖像，當(dāng)只接收到一幀視頻時(shí)，在第一幀視頻中人工標(biāo)記出待跟 蹤的目標(biāo)區(qū)域，并將第一幀的目標(biāo)區(qū)域暫時(shí)選定為目標(biāo)模板；獲得目標(biāo)模板向量，采用在線 字典學(xué)習(xí)的方法構(gòu)造字典D，使得在該字典D下目標(biāo)區(qū)域向量的表示最稀疏；
[0009] 步驟2、針對(duì)選定的目標(biāo)模板，根據(jù)稀疏表達(dá)理論，對(duì)于目標(biāo)模板向量I，基于字典 D，通過求解11優(yōu)化問題得到其稀疏系數(shù)并構(gòu)建該目標(biāo)模板的稀疏直方圖ru;
[0010] 然后，將目標(biāo)模板的RGB圖像轉(zhuǎn)為HSV圖像，并將H，S，V量級(jí)化，并將各顏色分量 合成為一維特征矢量L，然后獲取目標(biāo)模板256bin的HSV直方圖Lq;
[0011] 步驟3、從接收第2幀視頻圖像開始，在當(dāng)前幀圖像上以選定的目標(biāo)模板的位置為 參照中心，在搜索區(qū)域范圍％內(nèi)根據(jù)目標(biāo)運(yùn)動(dòng)模型確定N個(gè)候選目標(biāo)；對(duì)于任意一個(gè)候選 目標(biāo)向量1，得到候選目標(biāo)稀疏直方圖L，利用巴氏距離計(jì)算目標(biāo)模板直方圖％與各個(gè) 候選目標(biāo)直方圖的距離，即得到各目標(biāo)對(duì)應(yīng)的稀疏觀測相似度；
[0012] 獲取各個(gè)候選目標(biāo)的HSV直方圖Q，利用相交法計(jì)算目標(biāo)模板HSV直方圖U與各 個(gè)候選目標(biāo)直方圖的距離，即得到各目標(biāo)對(duì)應(yīng)的HSV觀測相似度；其中i = 1，2,. . .，N ;
[0013] 步驟4、針對(duì)當(dāng)前幀圖像中的任意候選目標(biāo)，將候選目標(biāo)的稀疏觀測相似度與HSV 觀測相似度加權(quán)相乘，即求所述候選目標(biāo)的稀疏觀測相似度與HSV觀測相似度平方的乘 積，作為該候選目標(biāo)最終觀測相似度；則各候選目標(biāo)中最終觀測相似度最大的為可能目 標(biāo)；
[0014] 步驟5、判斷當(dāng)前幀的各個(gè)候選目標(biāo)對(duì)應(yīng)的稀疏觀測相似度中最大值是否大于或 等于設(shè)定的閾值：
[0015] 如果否，表示當(dāng)前幀圖像被嚴(yán)重遮擋，接收下一幀圖像后執(zhí)行步驟6 ;
[0016] 如果是，表示當(dāng)前幀圖像未被嚴(yán)重遮擋，則步驟4確定的可能目標(biāo)為最終的目標(biāo)， 執(zhí)行步驟8 ;
[0017] 步驟6、以步驟4確定的可能目標(biāo)的位置為參照中心，將上一幀圖像對(duì)應(yīng)的搜索區(qū) 域范圍擴(kuò)大后，在當(dāng)前接收的圖像上根據(jù)目標(biāo)運(yùn)動(dòng)模型確定N個(gè)候選目標(biāo)；根據(jù)步驟3的方 法獲得本步驟中確定各個(gè)候選目標(biāo)對(duì)應(yīng)的稀疏觀測相似度；然后判斷其中最大稀疏觀測相 似度是否大于所述設(shè)定的閾值：
[0018] 如果大于或等于，先根據(jù)步驟3的方法得到本步驟中確定的各候選目標(biāo)對(duì)應(yīng)的 HSV觀測相似度，然后執(zhí)行步驟7 ;
[0019] 如果小于，接收下一幀圖像后，返回并重新執(zhí)行本步驟；
[0020] 步驟7、根據(jù)步驟4的方法獲得當(dāng)前幀圖像中各候選目標(biāo)最終觀測相似度；觀測相 似度最大值的候選目標(biāo)即為跟蹤得到的最終目標(biāo)，執(zhí)行步驟8 ;
[0021] 步驟8、首先判斷是否需要更換目標(biāo)模板：
[0022] 如果不需要，接收下一幀圖像后，返回步驟3 ;
[0023] 如果需要，先根據(jù)步驟2的方法計(jì)算所述最終目標(biāo)的稀疏直方圖與HSV直方圖；然 后通過加權(quán)的方式與當(dāng)前所選定的目標(biāo)模板直方圖％與、分別融合，作為下一幀的目標(biāo) 跟蹤中目標(biāo)模板稀疏直方圖和HSV直方圖；最后，接收下一幀圖像，返回步驟3,繼續(xù)進(jìn)行下 一幀的目標(biāo)跟蹤。
[0024] 較佳的，所述步驟6中，將所述上一幀圖像對(duì)應(yīng)的搜索區(qū)域范圍擴(kuò)大1. 5倍后，作 為當(dāng)前幀圖像的搜索范圍區(qū)域。
[0025] 較佳的，所述步驟1中，通過滑動(dòng)的窗口將目標(biāo)模板圖像分為K個(gè)子塊，利用結(jié)構(gòu) 信息串聯(lián)法得到各子塊向量 yie RmX1，最后將其結(jié)合成目標(biāo)模板向量he ITXK，其中m為 子塊的維度。
[0026] 較佳的，所述K的取值為49。
[0027] 較佳的，判斷是否需要更換目標(biāo)模板的條件為：判斷當(dāng)前幀的序號(hào)是否為5的倍 數(shù)，如果是，更換目標(biāo)模板；如果否，不更換目標(biāo)模板。
[0028]較佳的，所述步驟8中的融合方法為：將當(dāng)前幀的最終目標(biāo)對(duì)應(yīng)的稀疏直方圖ni 和HSV直方圖Li通過加權(quán)的方式與上一幀目標(biāo)模板直方圖n 〇與L ^相融合，即：
[0029] qn= y n 0+(l-]i) n1 Ln= yL0+(l-li)Li
[0030] 得到下一幀的目標(biāo)跟蹤中目標(biāo)模板稀疏直方圖njPHSV直方圖Ln，其中y為學(xué) 習(xí)因子，設(shè)定為0. 8。
[0031] 較佳的，所述步驟2中，其中H量化為16級(jí)，S和V分別量化為4級(jí)。
[0032] 較佳的，所述步驟4中，將所述候選目標(biāo)的稀疏觀測相似度與HSV觀測相似度歸一 化后再進(jìn)行加權(quán)相乘得到最終觀測相似度。
[0033] 本發(fā)明具有如下有益效果：
[0034] (1)本發(fā)明公開的一種基于分塊稀疏表達(dá)與HSV模型的目標(biāo)跟蹤方法，基于稀疏 表達(dá)與HSV直方圖的融合跟蹤算法不但保持稀疏表達(dá)對(duì)光照變化與遮擋的強(qiáng)魯棒性的優(yōu) 點(diǎn)，還增加了對(duì)物體色彩的分辨度且不易受相似顏色