一种严重遮挡情况下的精准目标跟踪方法技术

本发明专利技术提出了一种高斯稀疏表达协作模型，用于严重遮挡下的目标跟踪。方法最为核心的地方在于采用稀疏编码与LLC编码相结合的方式对候选样本进行稀疏表示。方法极易获得稀疏解的同时又具备高度精准的重构误差，并且将先验概率加入到了模型中，使下一帧目标周围的样本更易作为最终跟踪结果，通过与其他方法进行大量实验对比，本发明专利技术的方法能够在严重遮挡情况下更好的跟踪目标。

A precise target tracking method under severe occlusion condition

The invention presents a sparse representation of Gauss cooperation model for target tracking under severe occlusion. The core of the method is to sparsely represent candidate samples by combining sparse coding with LLC coding. The method is easy to obtain sparse solution and has a high precision reconstruction error. A prior probability is added to the model to make the samples around the next frame easier to be used as the final tracking result. Compared with other methods, the method of the present invention can track better under severe occlusion. Target.

【技术实现步骤摘要】
一种严重遮挡情况下的精准目标跟踪方法
本专利技术属于模式识别与机器学习领域，可用于物体的目标跟踪，尤其是针对跟踪物体被严重遮挡的情况。
技术介绍
目标跟踪方法的分类方式有很多种，按时间先后顺序，可以分成上世纪和本世纪初出现的跟踪算法，如CamShift、MeanShift、KalmanFiltering、OpticalFlow和ParticleFiltering等，近十年内出现了很多非深度学习跟踪算法，如KCF，SCM，TLD，Struck等。直到2012年深度学习的奠基人之一Hinton推动了深度学习的发展，近几年出现了很多深度学习目标跟踪算法，如MDnet,CNT。不同类型的目标跟踪方法暴露的问题不一样。1.其中要提前进行预训练的跟踪方法很容易出现预测目标位置偏移现象，且此类方法对训练数据集存在依赖；而离线跟踪方法可以对跟踪路径做全局优化，可以在测试序列上向前或向后进行扫描，但应用场合相对较少，因此，在线进行跟踪的方法是主要研究方向。2.在实际情况中采用生成模型与判别式模型相结合的方法表现更为出色，主要是因为生成模型跟踪方法在背景较为复杂、干扰因素较多的情况下容易出错，很难正确判本文档来自技高网...

【技术保护点】
1.一种严重遮挡情况下的精准目标跟踪方法，其特征在于，所述方法包括以下步骤：步骤一：采用稀疏区分性分类器和稀疏生成模型的高斯联合模型进行目标跟踪；步骤二：在稀疏区分性分类器中，采用高斯分布的先验知识对候选样本加权，根据上一帧目标的方差和均值预测当前帧候选样本的权重；步骤三：在稀疏区分性分类器与稀疏生成模型中同时采用稀疏编码与LLC方法分别计算候选样本置信度与样本、模板的相似性，并将得到的两个系数相结合；步骤四：以权重、置信度、相似度决策最大似然的样本。

【技术特征摘要】
1.一种严重遮挡情况下的精准目标跟踪方法，其特征在于，所述方法包括以下步骤：步骤一：采用稀疏区分性分类器和稀疏生成模型的高斯联合模型进行目标跟踪；步骤二：在稀疏区分性分类器中，采用高斯分布的先验知识对候选样本加权，根据上一帧目标的方差和均值预测当前帧候选样本的权重；步骤三：在稀疏区分性分类器与稀疏生成模型中同时采用稀疏编码与LLC方法分别计算候选样本置信度与样本、模板的相似性，并将得到的两个系数相结合；步骤四：以权重、置信度、相似度决策最大似然的样本。2.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在稀疏区分性分类器模型中，判别性的特征被提取依据以下公式(1)：Np是指正样本，Nn是指负样本，同时是由Np和Nn组成，K是特征选择之前的特征维度，向量元素表示任意一个模板在训练集A中的属性；稀疏特征向量s,它的非0元素是从K原始空间中挑选出来的具有区别性特征。3.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在稀疏区分性分类器模型中，目标能由正模版的线性组合表示，背景能由负模板的扩展表示；给定候选目标，可由训练模板和下面公式计算出的系数α表示：因此，构建候选目标x的信任值Hc通过下面的公式(4)：Hc＝exp(-(εf-εb)/σ)(4)其中，是候选样本x与前景模板集A+重构误差；是候选样本x与背景模板集A-的重构误差，并且α是相关稀疏系数向量。4.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在归一化的图像上用重叠的滑动窗口得到M块图像，每块图像转换成yi∈RG×1向量，G表示图像块的大小，通过公式(5)计算每一个patch的稀疏系数向量β：字典D∈RG×J是由k-means聚类中心产生；将每个图像块所求得β稀疏系数向量拼接起来形成直方图：ρ＝[β1,β2,β3,...,βm]T(6)ρ∈R(J×M)×1是每一个候选对象的直方图；经过修改重构直方图来排除遮挡的图像块；重构误差较大的图像块被看作遮挡，其对定的稀疏系数向量被置为0，计算通过公式(7):ρ＝[β1,β2,β3,...,βm]T(7)表示矩阵元素之间的点乘，o中的每个元素是对应遮挡图像块的指示器，计...

【专利技术属性】
技术研发人员：戴林旱，聂桂芝，
申请(专利权)人：上海方立数码科技有限公司，
类型：发明
国别省市：上海,31