基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法技术

本发明专利技术公开了一种基于局部稀疏外观模型和K选择的鲁棒性视觉跟踪方法，包括以下步骤：步骤1，使用局部稀疏表示对目标块外观进行建模，稀疏编码直方图表示目标的基分布，步骤2，通过梯度下降学习字典作为基选择的新方法，引入K选择的字典进行学习，步骤3，稀疏约束正则化的均值偏移，通过稀疏表示找到目标中心，最终得出跟踪结果。本发明专利技术通过引入K‑选择的新型稀疏字典学习方法来学习目标的稀疏表示库，通过静态稀疏字典在线性张成的子空间限制漂移并保持灵活性，通过稀疏编码直方图及在线更新表达动态字典基分布，最后使用基于稀疏表达投票地图和重建错误正则化均值漂移定位物体中心，具有更稳定的跟踪效果。

【技术实现步骤摘要】
基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法
本专利技术属于视觉跟踪领域，具体涉及一种基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，通过使用局域学习词典的稀疏编码直方图建模，能够适应外观变化并限制漂移。
技术介绍
在线学习跟踪技术因其处理外观变化的自适应能力而被广泛使用。然而，由于在自更新的过程中有错误的累计，特别是在有阻挡的场景中，它存在潜在的漂移问题。视觉跟踪通过观察的序列来估算移动目标的空间状态，这个主题令人关注并且在许多工业应用中十分重要，包括安全监测、交通监控、车辆导航、视频索引、机器人学等。尽管有大量文献近年来致力于解决这个问题，但在动态环境下精确跟踪普通物体仍存在困难，主要面临的挑战有：1)由于照明、旋转和比例调整造成的动态外观改变；2)由于从3D到2D的投射造成的姿态变化和信息缺失；3)部分和全部物体遮挡；4)复杂背景杂波；5)统计相似物体导致的标签歧义。为了解决在动态环境下目标外观变化的问题，需要提出一种保持目标外观模型递增式更新，使其适应外观变化的跟踪方法。
技术实现思路
本专利技术的目的在于针对上述现有技术中的问题，提供一种基于局部稀疏外观模型和K选择的本文档来自技高网...

【技术保护点】
一种基于局部稀疏外观模型和K‑选择的鲁棒性视觉跟踪方法，其特征在于，包括以下步骤：S1.使用局部稀疏表示对目标块的外观进行建模，稀疏编码直方图表示目标的基分布；S2.通过梯度下降学习字典作为基选择的工具，引入K‑选择的字典进行学习；S3.稀疏约束正则化的均值偏移，通过稀疏表示找到目标中心，最终得出跟踪结果。

【技术特征摘要】
1.一种基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，其特征在于，包括以下步骤：S1.使用局部稀疏表示对目标块的外观进行建模，稀疏编码直方图表示目标的基分布；S2.通过梯度下降学习字典作为基选择的工具，引入K-选择的字典进行学习；S3.稀疏约束正则化的均值偏移，通过稀疏表示找到目标中心，最终得出跟踪结果。2.根据权利要求1所述基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，其特征在于，所述步骤S1中使用局部稀疏表示对目标块的外观进行建模的具体过程包括：S1.1.1给定当前帧的图像I，通过滑动大小为m×n的窗口，以目标区域内的每个像素为中心采样一组小图像片段X＝{xi|i＝1：N′}，其中xi是第i列向量化图像块；S1.1.2通过局部约束线性编码将目标函数表达为：其中，Φ是从目标块中学习的基词典，α是稀疏系数，⊙是元素乘法，d是指向x和Φ中所有基向量之间的欧氏距离向量；S1.1.3通过求解较小的线性系统B获得局部约束线性编码近似值：其中，B为公式(2)中Φ和α的子集，是密集解，是LLC原始α*中的非零系数，对应于B中所有其他组成系数为0。3.根据权利要求1所述基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，其特征在于，所述步骤S1稀疏编码直方图表示目标的基分布的具体过程包括：S1.2.1选取目标中心作为参考模型框架的源；定义xi，i＝1：N为以像素位置ci为中心的向量图像块，采用非对称核k(ci)，将较小的权重分配到远离中心的块；目标模型中第j个binqj的值计算为加权和：其中C是一个常数，以确保S1.2.2选取备选目标；定义xi*，i＝1：N′为以y为中心的窗口内像素位置ci的向量化图像块，备选模型中第j个的值计算为：其中α是方程(1)的解，h是比例因子；S1.2.3稀疏编码直方图在当目标变化时在线更新，使y为在当前帧中发现的新目标中心，为公式(4)的编码直方图，新的外观基直方图用学习率γ来更新，计算公式如下：4.根据权利要求1所述基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，其特征在于，所述步骤S2通过梯度下降学习字典作为基选择的新方法，引入K-选择的字典进行学习的具体过程包括：S2.1.基的初始化；对于任何数据点xi∈X，作为词典的其它所有点的稀疏表达通过下式求解：其中，ωij指的是用来稀疏表示第i个数据点的第j个数据点的重要性；因此，对于第j个数据点，被选为基向量的重要权值ωj为：其中重建误差∈i指的是此表示的可靠性，拥有最大ω的前K个数据向量被选为初始基；S2.2.梯度下降；假设αi是xi在当前Φ中LLC的结果，设置低值部分为0，字典在没有局部约束条件下被更新来适应数据集；第t个基的理想梯度被近似为：选择在位移和第t个基之间具有最大相关性的数据点xl进行更新而不是直接更新负梯度方向上的基：使COR获得最大值的数据点被选择作为潜在候选者来替代第t个基；fmin代表当前残差，frep代表用替代第t个基后的残差，而且只有在fmin＞frep的情况下替代。5.根据权利要求1所述基于局部稀疏外观模型和K-选择的鲁棒性视觉跟踪方法，其特征在于，所述步骤S3稀疏约束正则化的均值偏移的具体过程包括：S3....

【专利技术属性】
技术研发人员：杨林，吴宁海，崔磊，何阳，王贝贝，周子璇，
申请(专利权)人：陕西瑞海工程智慧数据科技有限公司，
类型：发明
国别省市：陕西,61