基于动态稀疏投影的视频目标跟踪方法

摘要

本发明公开了一种基于动态稀疏投影的视频目标跟踪方法，用于解决现有固定稀疏投影矩阵跟踪方法鲁棒性差的技术问题。技术方案是利用一系列不同维数的稀疏投影矩阵从高维图像上获取不同的低维图像特征信息，在此基础上利用朴素贝叶斯分类器分别得到对应的分类样本；通过计算每一个分类样本的与前一帧样本的特征对比度、与初始帧样本的图像相似度、当前帧目标与背景的像素分布差异度比较结果获取各自的权重信息，动态更新权值小于阈值的稀疏投影矩阵并选取权重最优的分类样本作为最终的目标跟踪结果。跟踪结果准确率达到85%以上。

主权项

一种基于动态稀疏投影的视频目标跟踪方法，其特征在于包括以下步骤：步骤一、生成稀疏投影矩阵稀疏投影矩阵R_i的组成元素r_ab采用随机采样的方式获取，定义如下；式中，s＝2或者s＝3；步骤二、利用上一帧跟踪结果的图像坐标位置l_t‑1，生成正样本集合D^α＝{z|||l(z)‑l_t‑1||<α}和负样本集合D^β,ζ＝{z|β<||l(z)‑l_t‑1||<ζ}；定义一组多尺度因子{h_1,1,…,h_w,h}对所有样本都进行多尺度矩形滤波，多尺度因子的表示如下，式中，w和h分别代表矩形滤波框的宽和高；经过多尺度矩形滤波处理后，所有图像样本被转换成高维的多尺度图像特征向量其中m＝(wh)²；利用步骤一生成的一系列稀疏投影矩阵把多尺度图像特征向量x转换成各自对应的低维特征向量v_i＝R_ix                                       (3)式中，分别对应稀疏投影矩阵空间、图像空间、特征空间，其中n＜＜m；步骤三、利用朴素贝叶斯分类器H(v_i)对所有低维特征向量v_i进行分类，$H\left(v_i\right)=log\left(\frac{{\Pi }_{a=1}^{n}p\left(v_{i,a}\right|y=1)p(y=1)}{{\Pi }_{a=1}^{n}p\left(v_{i,a}\right|y=0)p(y=0)}\right)=\underset{a=1}{\overset{n}{\Sigma }}\log \left(\frac{p(y=1)}{p(y=0)}\right)---\left(4\right)$式中，先验假设p(y＝1)＝p(y＝0)，y∈{0,1}代表二值分类的类标签；利用参数控制条件概率分布形成高斯分布，标量参数分别都是增量更新参数，${\mu }_{i,a}^1\leftarrow {\mathrm{\lambda \mu }}_{i,a}^1+(1-\lambda ){\mu }^1---\left(5\right)$${\sigma }_{i,a}^1\leftarrow \sqrt{\lambda {\left({\sigma }_{i,a}^1\right)}^2+(1-\lambda ){\left({\sigma }^1\right)}^2+\lambda (1-\lambda ){({\mu }_{i,a}^1-{\mu }^1)}^2}---\left(6\right)$式中，参数λ＝0.85，经过朴素贝叶斯分类器处理后，每一个随机投影矩阵R_i对应的都得到一个分类样本步骤四、分别计算每一个分类样本与初始目标样本的直方图统计信息对比度、与前一帧目标样本的特征直方图统计信息对比度、目标区域与目标所处的背景区域的直方图统计信息三个对比度信息；令分类样本的像素直方图为H_cur(i)，初始目标样本的像素直方图为H_init，${\mathrm{Sim}}_i\left(H_{cur}\right(i),H_{init})=\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}\left(1-\frac{|H_{cur}\left(j\right)-H_{init}\left(j\right)|}{Max(H_{cur}\left(j\right),H_{init})}\right)---\left(7\right)$式中，N＝256；根据Sim_i(H_cur(i),H_init)的大小排序，从大到小分别赋予直方图对比度权重信息(λ₁,λ₂,…,λ_m)，其中λ₁>λ₂>,…,>λ_m；计算像素直方图相似度Sim_i(H_cur(i),H_init)并根据Sim_i(H_cur(i),H_init)的大小排序，从大到小分别赋予直方图对比度权重信息(λ₁,λ₂,…,λ_m)，其中λ₁>λ₂>,…,>λ_m；令分类样本的特征直方图为T_cur(i)，前一帧目标样本的特征直方图为T_pre(i)，$Dis\left(T_{cur}\right(i),T_{pre}(i\left)\right)=\sqrt{1-\underset{j=1}{\overset{N}{\Sigma }}\frac{\sqrt{T_{cur}\left(i\right)\left(j\right)·T_{pre}\left(i\right)\left(j\right)}}{\underset{j=1}{\overset{N}{\Sigma }}{T}_{cur}\left(i\right)\left(j\right)\underset{j=1}{\overset{N}{\Sigma }}{T}_{pre}\left(i\right)\left(j\right)}}---\left(8\right)$根据Dis(T_cur(i),T_pre(i))的大小排序，从大到小分别赋予特征直方图对比度权重信息(δ₁,δ₂,…,δ_m)，其中δ₁>δ₂>,…,>δ_m；计算特征相似度Dis(T_cur(i),T_pre(i))并根据Dis(T_cur(i),T_pre(i))的大小排序，从大到小分别赋予特征直方图对比度权重信息(δ₁,δ₂,…,δ_m)，其中δ₁>δ₂>,…,>δ_m；令目标的像素特征直方图为H_obj(i)，背景样本的像素特征直方图为H_bg(i)，分别计算目标和背景的概率密度并进行归一化得到p(i)＝H_obj(i)/n_obj，q(i)＝H_bg(i)/n_bg，n_obj、n_bg分别代表目标样本和背景样本的数量,p(i)、q(i)分别代表目标样本和背景样本的离散概率密度；利用p(i)、q(i)得到似然函数，$L\left(i\right)=log\frac{max\{p\left(i\right),\delta \}}{max\{q\left(i\right),\delta \}}---\left(9\right)$式中，δ＝0.001，防止log出现为0的情况；通过计算L(i)的方差判断目标样本特征和背景样本特征的差异度，利用方差计算公式var(x)＝Ex²‑(Ex)²得到$\mathrm{var}(L;p,q)=\underset{i}{\Sigma }a\left(i\right)L^2\left(i\right)-{\left[\underset{i}{\Sigma }a\left(i\right)L\left(i\right)\right]}^2---\left(10\right)$式中，a(i)是概率密度函数；得到似然函数的方差比公式$VR(L;p,q)\equiv \frac{\mathrm{var}(L;(p+q)/2)}{\mathrm{var}(L;p)+\mathrm{var}(L;q)}---\left(11\right)$式中，L(i)为似然函数，var(x)为方差公式；根据直方图对比度VR_i的大小排序，从大到小分别赋予特征直方图对比度权重信息(η₁,η₂,…,η_m)，其中η₁>η₂>,…,>η_m；根据三个对比度信息得到每一个分类样本的权值总量式中，ω_s＝0.4、ω_f＝0.3、ω_d＝0.3；当w(R_i)<N_dynamic时，重新生成一个新的稀疏投影矩阵R_i'代替当前的R_i，从而实现动态稀疏投影矩阵的更新；选取w(R_i)权值最大的R_i所对应的分类样本作为当前帧的目标跟踪结果。