【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种，本专利技术构建包括若干不同视角的视频节点的视频传感器网络测试系统；根据若干视频节点中每个视频节点在起始时刻的图像稀疏度，分别计算各视频节点的测量初始值来对其初始图像序列进行压缩感知CS采样；采用图像的方差的期望作为阈值，通过第t帧图像的测量值，迭代得到各视频节点第t+1帧图像的测量值来对其第t帧图像序列进行CS采样。通过图像稀疏度调节测量值，从而获得最优采样量可以以更高的压缩比对图像进行压缩，减少计算以及通信的数据量，结合跟踪置信度以及检测结果的多视角图像融合，可获得更好的跟踪精度，以及更长网络使用时间。【专利说明】
本专利技术涉及一种目标压缩感知融合跟踪方法，尤其涉及一种。
技术介绍
由于视频图像处理以及传输数据量大，受传感器节点资源和能耗的限制，为了延长网络寿命，必须要对图像数据进行压缩以减少计算量和通信量。压缩感知理论指出:只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。解码所需测量值的数目远小于传统理论下的样本数。如等式(I)所示，压缩感知CS (Compressive Sensing)以m〈〈n (m为测量矩阵维度和，η为信号维度)的测量矩阵对信号进行测量。y=φχ=φΨ α=Θ α (I)其中α为信号的稀疏表示，Ψ为稀疏表示矩阵，P为测量矩阵。如果X信号在某个变化域具有稀疏性，如等式(2)所示，并且适当构建Φ。α =Ψτ...
【技术保护点】
一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，包括以下步骤：S1：构建包括若干不同视角的视频节点的视频传感器网络测试系统，通过混合高斯模型GMM构建第t帧背景，测试得到的第t帧视频序列xt为第t帧前景图像和第t帧背景之和，其中t=0，1，2…；S2：根据若干视频节点中每个视频节点在起始时刻的图像稀疏度K0，分别计算各视频节点的测量初始值M0来对其初始图像序列进行压缩感知CS采样，得到每个视频节点采样后初始图像yo后进行S4，其中M0≈K0log(n/K0)，n为信号维度；S3：采用图像的方差的期望E(σt)作为阈值，通过第t帧图像的测量值Mt，迭代得到各视频节点第t+1帧图像的测量值Mt+1，是目标图像xd的方差；当则Mt+1=β0Mt；当则Mt+1=β1Mt；其中，为恢复的目标图像，xd为目标图像，表示采用范数2恢复误差值；β0≤1,β1≥1,β0,β1分别为缩小和放大因子，α为调节参数；并通过第t+1帧图像的测量值Mt+1对第t+1帧图像进行压缩感知CS采样，得到每个视频节点采样后第t帧图像yt后进行S4;S4:通过采样后第t帧图像yt恢复得到第t帧视频序列以...
【技术特征摘要】
【专利技术属性】
技术研发人员：方武，冯蓉珍，宋志强，
申请(专利权)人：苏州经贸职业技术学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。