一种基于多任务联合稀疏表示的目标跟踪方法技术

本发明专利技术公开了一种基于多任务联合稀疏表示的跟踪方法，包括以下步骤：在跟踪开始时，分别对需要跟踪的目标的不同特征，构建不同的模板集合；每个特征的模板集合用一个稀疏表示的任务来建模，构建基于局部稀疏图的多任务联合稀疏表示模型；采用近似的加速近邻梯度算法迭代求解多任务模型；使用方差比来选择不同任务的权重；构建基于多任务联合稀疏表示的表观模型，采用粒子滤波算法估计目标最优状态作为跟踪结果。

【技术实现步骤摘要】

本专利技术涉及计算机视觉领域，特别涉及。
技术介绍
复杂场景下目标的运动跟踪是近些年来计算机视觉领域里的前沿研究方向之一，也是该领域中难点之一。特别是动态场景下的目标运动分析受到了世界上许多重要研究机构的高度重视。跟踪问题等价于在连续的图像帧之间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。众所周知，区域跟踪的核心就是如何对目标进行有效的表达，而目标表达大多数是通过目标表观建模来实现的。因此，如何构建一个好的表观模型对目标的区域跟踪起着至关重要的作用。特别是在时序数据流中，目标的表观是随着时间而变化的，同时还可能受到各种因素的干扰。此外，还要满足实际应用的低计算复杂度的要求。最近，基于稀疏表示的跟踪方法开始逐渐受到人们的关注。在稀疏表示的框架下，候选目标由一系列目标模板和自定 义的小模板线性组合而成。目标模板表示的是需要跟踪的目标，根据第一帧手动给定的初始化位置得到。自定义的小模板是为了处理噪声和遮挡用的，每个小模板只有一个像素的值不为零，不同的小模板对应着目标模板不同的像素，因此如果一个小模板对应的系数不为零，则表明其对应的像素有可能被噪声或者其他目标给干扰。所以在稀疏表示的框架下，通过小模板与目标模板的组合，遮挡和噪声能够在统一的框架下被有效地处理，而不需要采用其他策略。同时更新目标的表观模型也非常方便。只需要用最新得到的跟踪结果去代替旧的目标模板集合就行。然而在，传统的稀疏表示框架下，构建模板的时候只采用了灰度特征，但是灰度特征有时候不能够区分跟踪目标与背景或者其他目标，在这种情况下就会造成跟踪的失败。因此融合更多的特征，比如形状、纹理等能够使得跟踪结果更加鲁棒。但是在传统的稀疏表示框架下，无法有效地把这些特征融合在一起。
技术实现思路
(一 )要解决的技术问题为了解决现有技术的问题，本专利技术目的在于提出一种适用于移动摄像机的复杂场景下(剧烈运动、光照变化，噪声，部分遮挡，形变等)鲁棒的目标跟踪系统和方法。( 二 )技术方案为实现上述目的，本专利技术提出，其包括以下步骤:步骤1:根据所要跟踪的目标的不同特征，构建不同的目标模板集合；步骤2:对于每个特征的目标模板集合用一个稀疏表示的任务，构建基于局部稀疏图的多任务联合稀疏表示模型，其中，每个任务对应一个所述特征；步骤3:采用近似的加速近邻梯度算法迭代求解所述多任务联合稀疏表示模型，得到每个任务的最优系数；步骤4:使用每个任务对应的特征下跟踪目标和背景区域颜色直方图的方差比来选择不同任务的权重；步骤5 :根据不同任务的所述最优系数和所选择的不同权重构建基于多任务联合稀疏表示的表观模型，采用粒子滤波算法估计目标的最优状态作为跟踪结果。(三)有益效果本专利技术提供的系统和方法采用多任务联合稀疏表示来对需要跟踪的目标进行表观建模，有效地融合了目标表观的多种特征，得到了比单特征更加鲁棒的跟踪结果。附图说明图1是本专利技术中基于多任务联合稀疏表示的目标跟踪方法的流程图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。本专利技术的方法具体运行的硬件和编程语言并不限制，用任何语言编写都可以完成。图1为本专利技术所提供方法的流程图。步骤1:在跟踪开始时，分别对需要跟踪的目标的不同特征构建不同的模板集合；步骤2 :每个特征的模板集合用一个稀疏表不的任务来建模,构建基于局部稀疏图的多任务联合稀疏表不模型；步骤3 :采用近似的加速近邻梯度算法迭代求解多任务模型；步骤4 :使用方差比来选择不同任务的权重；步骤5 :构建基于多任务联合稀疏表示的表观模型，采用粒子滤波算法估计目标最优状态作为跟踪结果。下面将对各个步骤的细节进行详细说明。步骤1:在跟踪开始时，分别对需要跟踪的目标的不同特征，构建不同的模板集八口 ο在视频序列的第一帧，手动的给定需要跟踪的目标。对黑白图像，采用图像的灰度、纹理和形状等特征，来构建不同的目标模板集合；对彩色图像，采用图像的灰度、饱和度、强度、边缘和纹理等特征，来构建不同的目标模板集合。针对一种特征，给定目标的初始位置后，在该初始位置周围的8个方向平移2个像素(分别是上下左右和两个斜45度角)，选取8个不同的目标模板(目标模板是指一个固定尺寸的图像块，因为其中含有目标，所以称为目标模板)，然后把这些模板归一化到一个18*20 (18是指长度，20是指宽度)大小的模板下，模板的大小根据不同的跟踪目标可以调整，再把这9个模板作为该特征跟踪初始的目标模板集合。步骤2 :每个特征的模板集合用一个稀疏表不的任务来建模,构建基于局部稀疏图的多任务联合稀疏表不模型。假设得到了一个目标模板集合，其中每个模板根据选择的特征不同(如颜色、纹理、形状)，有K种不同表示，K的取值范围根据选定的特征数量来确定，K的取值范围是I<=K < 20,本专利技术的一个实施例中选取了 K = 4。对于第k(l < = k < K)个特征，其对应的目标模板集合表示为，其中n是第k个特征下总的模板数量，取值范围为I < = η < 100 (每个特征都会有相应的η个特征模板)。令在特征k下的一个候选目标为mk(其中候选目标是图形中的一个区域，与目标模板不同，跟踪的目标就是找到与目标模板集合最为匹配的候选目标)，那么通过表达式(I)有监督的线性拟合来表示:本文档来自技高网...

【技术保护点】
一种基于多任务联合稀疏表示的目标跟踪方法，其包括以下步骤：步骤1：根据所要跟踪的目标的不同特征，构建不同的目标模板集合；步骤2：对于每个特征的目标模板集合用一个稀疏表示的任务，构建基于局部稀疏图的多任务联合稀疏表示模型，其中，每个任务对应一个所述特征；步骤3：采用近似的加速近邻梯度算法迭代求解所述多任务联合稀疏表示模型，得到每个任务的最优系数；步骤4：使用每个任务对应的特征下跟踪目标和背景区域颜色直方图的方差比来选择不同任务的权重；步骤5：根据不同任务的所述最优系数和所选择的不同权重，构建基于多任务联合稀疏表示的表观模型，采用粒子滤波算法估计目标的最优状态作为跟踪结果。

【技术特征摘要】
1.一种基于多任务联合稀疏表示的目标跟踪方法，其包括以下步骤: 步骤1:根据所要跟踪的目标的不同特征，构建不同的目标模板集合； 步骤2:对于每个特征的目标模板集合用一个稀疏表示的任务，构建基于局部稀疏图的多任务联合稀疏表示模型，其中，每个任务对应一个所述特征； 步骤3:采用近似的加速近邻梯度算法迭代求解所述多任务联合稀疏表示模型，得到每个任务的最优系数； 步骤4:使用每个任务对应的特征下跟踪目标和背景区域颜色直方图的方差比来选择不同任务的权重； 步骤5:根据不同任务的所述最优系数和所选择的不同权重，构建基于多任务联合稀疏表示的表观模型，采用粒子滤波算法估计目标的最优状态作为跟踪结果。2.如权利要求1所述的方法，其特征在于，所述步骤I中，在构建目标模板时，跟踪目标为黑白图像时，所述特征包括图像的灰度、纹理和形状特征；跟踪对象为彩色图像时，所述特征包括灰度、饱和度、强度、边缘和纹理特征。3.如权利要求1所述的方法，其特征在于，步骤2中所构建的基于局部稀疏图的多任务联合稀疏表示模型如下式所示:4.如权利要求3所述的方法，其特征在于，所述小模板集合I中的小模板元素Ii是一个一维向量，其大小与其所对应的目标模板大小相等；小模板集合I中的小模板元素Ii的个数d为其所对应目标模板的像素点个数；小模板元素Ii中除第i个元素外的其它元素均为O。5....

【专利技术属性】
技术研发人员：胡卫明，李威，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：