本发明专利技术提出了一种基于相关性分析的逆稀疏表示的灰度‑热目标跟踪方法，包括以下步骤：采用粒子滤波器来产生目标候选矩阵Y1和Y2；提出一种基于逆稀疏表示的灰度‑热跟踪框架，并通过该模型来联合估计Y1和Y2目标候选编码，得到逆稀疏表示矩阵U1和U2；将U1和U2放入支持向量机进行判别，区分最佳目标和目标候选。本发明专利技术将典型相关性分析和逆稀疏表示集成到统一的联合优化模型中，通过探索公共子空间中灰度和热视频序列之间的相似性来突出跟踪目标的有用信息，确保从不良照明场景中获得针对目标候选者的鲁棒编码结果；提出了一种交替重构算法来解决联合优化问题，具有快速收敛性及较强的鲁棒性；使用支持向量机对目标候选的编码结果进行判别，提高跟踪速度。
Gray-scale-thermal target tracking method based on inverse sparse representation of correlation analysis
【技术实现步骤摘要】
基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法
本专利技术涉及一种基于相关性分析的逆稀疏表示的灰度-热红外联合目标跟踪方法，属于图像处理
技术介绍
目标跟踪在计算机视觉领域中扮演着非常重要的角色，其中具体应用包括：视频分析、车辆导航和人机交互等。虽然近年来取得了重大进展，但在恶劣环境(如：昏暗场景、雾霾、暴雨等)下进行目标跟踪仍然非常具有挑战性。因为在这些恶劣环境下，可见光相机只收集有限的光线，容易导致前景目标和背景难以辨别。随着多媒体和物联网的快速发展，红外热像仪已经变得很经济实惠。这种相机可以捕获温度高于绝对零度的物体发出的热红外辐射，有利于夜间监控。而可见光相机获取的光谱相对来说较为丰富，它可以在外界环境良好时更好地反映物体细节，但它在光照不足时效果则相对较差。因此，将灰度和热红外图像数据有效结合可以突显图像中的目标特征，利于跟踪隐藏目标。将可见光谱相机与热红外相机有效结合具有以下两个优点：一是热红外相机对于光照变化是鲁棒的，其可以对从不良光照条件下获得的可见光谱数据进行补充；二是可见光谱相机的灰度特征有助于解决基于热红外摄像机在物体检测中的热交叉问题。基于以上优点，研究灰度-热红外联合目标跟踪可以提供一种有效的方法来克服目标跟踪中恶劣天气造成的影响。灰度和热视频序列在灰度-热红外联合目标跟踪中成对获得，使得设计外观模型变得困难。它不仅需要连接灰度级和热视频序列之间的差异，还要克服灰度级或热视频序列中的数据偏差。稀疏表示因为在多视图人脸识别中的成功应用，已成为克服灰度-热红外联合目标跟踪限制的有效方法。与传统的基于稀疏表示的视觉跟踪不同，基于灰度-热红外联合目标跟踪必须自适应融合灰度和热外观的稀疏表示，以保证灰度和热视频序列都能提供良好的跟踪性能。在实际应用中，已有一种基于协同稀疏表示的灰度-热红外联合跟踪外观模型，其中多模型融合和模型可靠性估计被集成为一个统一的优化问题。由于协同稀疏表示模型无法探索灰度和热视频序列之间的相似性，因此当灰度和热视频序列包含数据偏差时，它可能无法保证灰度-热红外图像对中相同的目标获得类似的稀疏表示结果。为了提高上述方法的跟踪性能，有方法在协作稀疏表示模型中引入了目标本地信息。由于此方法无法使用背景上下文来增强相似目标之间的差异，因此可能会导致在背景杂乱环境中出现跟踪漂移现象。在传统的基于稀疏表示的目标跟踪中，稀疏表示旨在使用字典来稀疏地表示目标候选者。与稀疏表示方法不同，逆稀疏表示旨在使用目标候选者稀疏地表示目标字典。由于目标字典由目标和背景模板组成，因此使用目标候选者来反向表示目标字典可以突显目标候选者与目标和背景模板的相似性。逆稀疏表示可以使用目标和背景信息来产生用于表示目标候选的判别代码，该模型如下所示：其中D＝[DP；DN]是具有DP和DN的目标字典，是正负模板子矩阵(目标和背景模板)。Y表示目标候选矩阵，U是对应的逆稀疏表示结果。如果目标没有被严重遮挡，则等式(1)可以使用U来精确地编码Y中的目标候选。然而，如果目标被完全遮挡或者在不良照明场景中，则等式(1)无法提取目标候选的有用信息以保证U中的稀疏性。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术的不足，通过将典型相关分析(CCA)和逆稀疏表示整合到联合优化问题中，提供一种基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，该方法用于突出灰度和热红外图像中目标的辨别信息，从而提升在恶劣天气环境下跟踪算法的鲁棒性。本专利技术提供一种基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，包括以下步骤：步骤A，采用粒子滤波器来产生目标候选矩阵Y1和Y2；步骤B，提出一种基于逆稀疏表示的灰度-热跟踪框架，即基于相关性分析的逆稀疏表示模型，并通过该模型来联合估计Y1和Y2目标候选编码，得到逆稀疏表示矩阵U1和U2；步骤C，将逆稀疏表示矩阵U1和U2放入支持向量机进行判别，以区分最佳目标和目标候选。本专利技术提出了一种基于逆稀疏表示的灰度-热红外联合跟踪框架，本专利技术的方法采用基于典型相关性分析的逆稀疏表示模型对灰度和热红外视频中的目标候选进行联合编码。本专利技术将典型相关性分析(CCA)和逆稀疏表示集成到统一的联合优化模型中，通过探索公共子空间中灰度和热视频序列之间的相似性来突出跟踪目标的有用信息，确保从不良照明场景中获得针对目标候选者的鲁棒编码结果；提出了一种交替重构算法来解决联合优化问题，具有快速收敛性及较强的鲁棒性；使用支持向量机(SVM)对目标候选的编码结果进行判别，提高跟踪速度。作为本专利技术的进一步技术方案，步骤B中，基于相关性分析的逆稀疏表示模型如下所示：其中，U表示目标候选矩阵的逆稀疏表示矩阵，P表示投影矩阵，表示什么表示投影矩阵Pi(i＝1,2)的转置，Di(i＝1,2)分别表示从灰度和热视频序列获得的目标字典，Yi(i＝1,2)分别表示灰度和热视频序列的目标候选矩阵，Ui是目标候选矩阵Y1和Y2的逆稀疏表示矩阵，且Ui＝[U1,U2]，Pi(i＝1,2)表示投影矩阵，其通过最小化来更新，F范数是指矩阵的各个元素平方之和再开平方根，λ1、λ2为平衡参数，Tr表示矩阵的迹，即矩阵的主对角线(从左上方至右下方的对角线)上各个元素的总和，表示灰度图像特征投影矩阵的转置(上标T是矩阵转置，下标为1说明是在灰度视频序列下)，表示热红外图像目标候选矩阵的转置(上标T是矩阵转置，下标为2说明是热红外视频序列下)。进一步的，等式(1)是非平滑优化问题。为了解决这个问题，本专利技术提出了一种交替重建方法，其中每次迭代分为两个步骤。步骤1，由于U是固定的，通过求解下面的子问题来更新投影矩阵P1和P2，根据F范数的性质，可以将子问题(2)改写为Qi＝(Di-YiUi)，为Qi＝(Di-YiUi)的转置矩阵；使用重新表述子问题(3)，最终它可以简化为其中，PT表示P的转置矩阵，0是零矩阵。将子问题(4)的一阶导数设置为零，然后可以通过奇异值分解更新投影矩阵P；步骤2，由于P是固定的，并且通过求解下面的子问题来更新Ui＝[U1,U2]，式(5)中，令Ψ(U)＝||U||2,1；将合成梯度映射(CompositeGradientMapping)方法应用于Φ(U)和Ψ(U)，可将式(5)变为，其中，k为迭代参数(从0开始递增)，Vk为任意值，为梯度运算符，η是步长参数；式(6)的解由下式给出，其中，基于式(7)，U最终更新为其中，[Uk+1](j,:)表示矩阵Uk+1中的第j行；[·]+是一个标量运算符，假设存在一个标量a，[a]+定义为：[a]+＝max{0,a}。步骤C中，支持向量机通过在前10帧中使用正样本代码和负样本代码(由所提出的逆稀疏表示模型编码的正样本和负样本)进行预训练，并且支持向量机每50帧在线更新。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：(1)通过使用CCA探索灰度和热视频序列之间的目标相似性，突出灰度和热红外图像中目标的辨别信息，提高算法在恶劣天气环境中跟踪的鲁棒性；(2)由于逆稀疏表示的鲁棒性，逆稀疏表示后的观测编码对数据偏差是鲁棒的；(3)为了提高跟踪速度，本专利技术还提出了一种交替重建方法来解决联合优化问题。附图说明下面结合附图对本专利技术作进一步说明。图1为本专利技术中灰度和热红外视频对跟本文档来自技高网...
【技术保护点】
1.一种基于相关性分析的逆稀疏表示的灰度‑热目标跟踪方法，其特征在于，包括以下步骤：步骤A，采用粒子滤波器来产生目标候选矩阵Y1和Y2；步骤B，提出一种基于逆稀疏表示的灰度‑热跟踪框架，即基于相关性分析的逆稀疏表示模型，并通过该模型来联合估计Y1和Y2目标候选编码，得到逆稀疏表示矩阵U1和U2；步骤C，将逆稀疏表示矩阵U1和U2放入支持向量机进行判别，以区分最佳目标和目标候选。
【技术特征摘要】
1.一种基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，包括以下步骤：步骤A，采用粒子滤波器来产生目标候选矩阵Y1和Y2；步骤B，提出一种基于逆稀疏表示的灰度-热跟踪框架，即基于相关性分析的逆稀疏表示模型，并通过该模型来联合估计Y1和Y2目标候选编码，得到逆稀疏表示矩阵U1和U2；步骤C，将逆稀疏表示矩阵U1和U2放入支持向量机进行判别，以区分最佳目标和目标候选。2.根据权利要求1所述基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，步骤B中，基于相关性分析的逆稀疏表示模型如下所示：其中，PiT表示什么表示投影矩阵Pi(i＝1,2)的转置，Di(i＝1,2)分别表示从灰度和热视频序列获得的目标字典，Yi(i＝1,2)分别表示灰度和热视频序列的目标候选矩阵，Ui是目标候选矩阵Y1和Y2的逆稀疏表示矩阵，且Ui＝[U1,U2]，Pi(i＝1,2)表示投影矩阵，其通过最小化来更新，F范数是指矩阵的各个元素平方之和再开平方根，λ1、λ2为平衡参数，Tr表示矩阵的迹，P1T表示灰度图像特征投影矩阵的转置，表示热红外图像目标候选矩阵的转置。3.根据权利...
【专利技术属性】
技术研发人员：丁琬，康彬，樊亚文，林敏，颜俊，
申请(专利权)人：南京邮电大学，
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。