一种改进稀疏矩阵的尺度自适应性压缩跟踪方法技术

本发明专利技术公开了一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。本发明专利技术通过增加互补的随机测量矩阵改进压缩特征，保证提取特征的灰度性和纹理性概率相同，从而提高跟踪结果的准确率。

【技术实现步骤摘要】
一种改进稀疏矩阵的尺度自适应性压缩跟踪方法
本专利技术属于计算机视觉
，尤其涉及一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，
技术介绍
尽管视频跟踪领域已经存在很多文献，成功建立了许多有效的目标跟踪算法，但在实际应用中仍然面临很多困难，例如目标的部分或全部遮挡、环境中的光照变化、目标外观的改变、目标运动的复杂性，以及背景中的噪声干扰等因素。因此如何建立一个有效的模型使得目标跟踪能够快速、准确且长时间稳定是近年来的热点问题。目前把压缩感知应用到目标跟踪领域是一个重要的研究方向。2009年，RobustVisualTrackingusingL1Minimization跟踪算法，首次将压缩感知理论引入到目标跟踪领域中。之后的算法，本质上都是在粒子滤波的框架下对粒子进行稀疏表示，之后再对信号进行重建，计算量很大。这些跟踪算法只是在采样的过程中由传统的Nquist采样定理改进为稀疏变换的低速采样过程，但是在之后对信号进行重建时，计算复杂度很高，并且信号重建问题至今是CS方向的难点问题，所以在工程实现上，这些跟踪算法的实时性并不好。12年，KaihuaZhang提出了实时性压缩感知目标跟踪。采用二元分类法，将目标样本和背景样本的特征直接通过稀疏矩阵来观测，观测后的稀疏特征不用来信号重建，而直接通过贝叶斯分类器来进行分类，从而确定目标。通过把压缩感知和目标提取结合在一起，有效减小了算法的复杂度，提高了跟踪速度，同时实验结果很鲁棒。尽管压缩感知算法的效果很鲁棒，它依然存在以下几方面的不足。首先，在跟踪过程中，压缩感知算法始终保持跟踪尺度固定不变，无法随目标尺度自适应变化，则若跟踪过程中若目标尺寸发生剧烈变化，容易导致跟踪失败。其次，压缩跟踪算法中的随机测量矩阵是随机生成的，继而提取到的低维特征是随机的，很难保证提取特征的有效性，从而影响跟踪结果的准确率。
技术实现思路
本专利技术的目的在于提供一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，旨在解决在跟踪过程中压缩感知算法存在容易导致跟踪失败，很难保证提取特征的有效性，影响跟踪结果的准确率的问题。本专利技术是这样实现的，一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。进一步，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法包括：在第t帧图像更新分类器阶段：(1)初始化参数，确认第t帧图像的目标矩形框位置Xt(x,y,w,h)，其中x，y分别为目标矩形框左上角在该帧内的行、列坐标，w，h分别为目标矩形框的宽和高；(2)以目标位置中心为基准，采集宽、高和目标尺寸一致的正、负样本；(3)将采集到的正、负样本和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；(4)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维压缩特征向量V；(5)通过构建与R互补的随机测量矩阵R2，压缩样本的原始高维图像特征X，得到低维压缩特征向量V2。V2中表示原图像的纹理特征和灰度特征和V中表示的原图像的纹理特征和灰度特征形成概率上的互补；(6)将V和V2分别送入贝叶斯分类器中对其进行训练，更新分类器参数；(7)在第t帧图像确定的目标位置Xt周围采集模板，采集宽、高和目标尺寸一致；(8)将采集到的模板和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；(9)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维特征向量V；(10)通过与R互补的随机测量矩阵R2，压缩样本的原始高维图像特征X，得到低维特征向量V2；(11)将随机测量矩阵V和V2分别送入第t帧训练好的贝叶斯分类器中检测，得到模板的匹配值，匹配值最大的模板确定为该帧的初始跟踪目标，标记其位置X't+1；(12)在X't+1附近选择多种尺寸的模板，压缩提取其特征，计算模板相应的匹配值，得到当前帧最终的最优匹配图像，其位置标记为Xt+1；(13)若t+1不是最后一帧，则令t＝t+1，返回第t帧更新分类器阶段，继续检测。进一步，所述随机测量矩阵R2为：其中c表示R矩阵中每行非零元素的个数。进一步，在初始目标位置X′t+1周围采集模板，确定最终跟踪目标的步骤如下：(1)在第t+1帧的初始目标位置X′t+1＝(x′t+1,y′t+1,w′t+1,h′t+1)附近，通过对目标矩形框进行各种尺度缩放、平移变换，产生一序列扫描窗口；窗口的尺度缩放系数s为1.2，最小扫描窗口大小为40个像素；窗口的尺度变化等级为其中，ci表示尺度缩放的等级，与图像大小(W，H)和初始跟踪窗大小(w′t+1,h′t+1)有关；跟踪窗个数的选择公式如下：(3)将模板提取为具有尺度不变性的原始高维图像特征；(3)依据样本图像尺度，对初始随机测量矩阵R和R2的非零元进行调整，得到尺度Si下的随机测量矩阵RS和R2s；保持R和R2中的所有非零元数值不变，非零元所对应的矩阵参数px(i,t)，py(i,t)，pw(i,t)，ph(i,t)分别变为原来的Si倍，并按照四舍五入取整，公式为：其中i＝1,2,…，n；t＝1,2，…，ci,n为压缩特征向量维数，ci为初始随机测量矩阵R和R2中第i行非零元素的个数；(6)通过RS和R2s分别将原始高维图像特征压缩为低维特征向量V，V2；(7)将V，V2送入贝叶斯分类器中进行分类；后验概率与先验概率的关系如下所示：先验概率p(y＝1)＝p(y＝0),其中0,1分别表示正、负样本，构造分类器：根据高维随机向量的随机映射几乎总是服从高斯分布的，4个概率条件p(vi|y＝1),p(v2i|y＝1),p(vi|y＝0),p(v2i|y＝0)为高斯分布，即：标量参数更新公式为：其中λ(λ＞0)是学习参数，根据极大似然估计可得：得到最大的H(v)值，则最有最大匹配值的特征所在模板即为最终的目标图像。进一步，原始高维图像特征提取过程如下：对于每个样本Z∈Rw×h，把Z和W×h个归一化的矩形滤波器{h1×1,…，hw×h}卷积，其中：i,j分别为滤波器的宽和高，Z与每一个滤波器卷积之后得到的图像，表示为一个的列向量；之后再把这W×h个结果连结到一起，构成一个高维的尺度不变的图像特征X＝{x1,…,xm}T,m＝(wh)2。本专利技术的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的视频跟踪系统。本专利技术的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的计算机。本专利技术的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的摄像头。本专利技术提供的改进稀疏矩阵的尺度自适应性压缩跟踪方法，通过归一化矩形特征以及伸缩窗口采样，实现了对目标的尺度自适应性跟踪；其次，压缩跟踪算法中的随机测量矩阵是随机生成的，继而提取到的低维特征是随机的，压缩特征反映原图像的灰度信息和纹理信息概率不等。本专利技术通过增加互补的随机测量矩阵改进压缩特征，保证提取特征的灰度性和纹理性概率相同，从而提高跟踪本文档来自技高网...

【技术保护点】
一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。

【技术特征摘要】
1.一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。2.如权利要求1所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法包括：在第t帧图像更新分类器阶段：(1)初始化参数，确认第t帧图像的目标矩形框位置Xt(x,y,w,h)，其中x，y分别为目标矩形框左上角在该帧内的行、列坐标，w，h分别为目标矩形框的宽和高；(2)以目标位置中心为基准，采集宽、高和目标尺寸一致的正、负样本；(3)将采集到的正、负样本和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；(4)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维压缩特征向量V；(5)通过构建与R互补的随机测量矩阵R2，压缩样本的原始高维图像特征X，得到低维压缩特征向量V2。V2中表示原图像的纹理特征和灰度特征和V中表示的原图像的纹理特征和灰度特征形成概率上的互补；(6)将V和V2分别送入贝叶斯分类器中对其进行训练，更新分类器参数；(7)在第t帧图像确定的目标位置Xt周围采集模板，采集宽、高和目标尺寸一致；(8)将采集到的模板和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；(9)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维特征向量V；(10)通过与R互补的随机测量矩阵R2，压缩样本的原始高维图像特征X，得到低维特征向量V2；(11)将随机测量矩阵V和V2分别送入第t帧训练好的贝叶斯分类器中检测，得到模板的匹配值，匹配值最大的模板确定为该帧的初始跟踪目标，标记其位置X′t+1；(12)在X′t+1附近选择多种尺寸的模板，压缩提取其特征，计算模板相应的匹配值，得到当前帧最终的最优匹配图像，其位置标记为Xt+1；(13)若t+1不是最后一帧，则令t＝t+1，返回第t帧更新分类器阶段，继续检测。3.如权利要求2所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述随机测量矩阵R2为：其中c表示R矩阵中每行非零元素的个数。4.如权利要求2所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，在初始目标位置X′t+1周围采集模板，确定最终跟踪目标的步骤如下：(1)在第t+1帧的初始目标位置X′t+1＝(x′t+1,y′t+1,w′t+1,h′t+1)附近，通过对目标矩形框进行各种尺度缩放、平移变换，产生一序列扫描窗口；窗口的尺度缩放系数s为1.2，最小扫描窗口大小为40个像素；窗口的尺度变化等级为其中，ci表示尺度缩放的等级，与图像大小(W，H)和初始跟踪窗大小(w′t+1,h′t+1)有关；跟踪窗个数的选择公式如下：(2)将模板提取为具有尺度不变性的原始高维图像特征；(3)依据样本图像尺度，对初始随机测量矩阵R和R2的非零元进行调整，得到尺度Si下的随机测量矩阵RS和R2s；保持R和R2中的所有非零元数值不变，非零元所对应的矩阵参数px(i,t)，py(i,t)，pw(i,t)，ph(i,t)分别变为原来的Si倍，并按照四舍五入取整，公式为：

【专利技术属性】
技术研发人员：朱红，刘林润佳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61