一种基于自适应粒子滤波和稀疏表示的目标跟踪算法

摘要

本发明提出了一种基于自适应粒子滤波和稀疏表示的目标跟踪算法，使用改进的自适应粒子滤波技术作为跟踪算法框架，并且利用分块稀疏表示模型建立目标的观测相似度模型，利用自适应分块技术对目标进行分块，构建当前目标状态的结构稀疏直方图，以计算当前目标状态的观测相似度，利用遮挡检测机制检测遮挡，更新目标/背景字典模板以及目标模板直方图，以捕获跟踪过程中目标的外形改变以及环境的变化，利用可变方向乘子法解决稀疏表示中的L1优化问题，提升所述目标跟踪算法的执行速度。本发明对跟踪目标姿态变化，环境光照变化以及遮挡等情况具有很强的鲁棒性。

主权项

一种基于自适应粒子滤波和稀疏表示的目标跟踪算法，其特征在于，使用改进的自适应粒子滤波技术作为跟踪算法框架，利用目标的运动信息来确定采样所需要的粒子数目和采样范围；使用改进的自适应粒子滤波技术作为跟踪算法框架，主要步骤如下：110）采样参考点的确定利用目标前一帧的状态以及前一帧的预测速度得到目标当前时刻的采样参考点，提出的自适应运动模型定义为：，其中x_k‑1+ v*_k‑1即为目标当前时刻的采样参考点，x_k‑1是目标前一帧的状态，v*_k‑1是前一帧的预测速度；120）采样范围的确定采样范围由步骤110）中的Σ_k决定，Σ_k可由目标的标准化速度向量V以及运动信息矩阵D来计算（Σ_k=VDV^‑1），其中运动信息矩阵D由目标的速度峰值ρ_k以及可调参数γ决定，D=diag(ρ_k, γρ_k), γ∈[0,1]，γ权衡了采样的有效性和非线性；当γ=0时，仅考虑采样的非线性，此时提出的采样方法和普通的各向异性高斯采样相同；当γ=1时，仅考虑采样的有效性，即认为目标在做线性运动；γ由目标之前一段时间内的运动方向一致性以及加速度信息决定，定义如下：，其中，d(k)表示方向的一致性，a(k)表示加速度信息，C是归一化常数，μ表示加速度信息对可调参数γ的贡献；130）采样粒子数目的确定利用可调参数γ以及采样粒子数目的上下限来动态地调整采样的粒子数目，定义如下：，其中，J_min 表示采样粒子数目的下限，J_max表示采样粒子数目的上限；利用分块稀疏表示模型建立目标的观测相似度模型，首先构建目标/背景字典模板以及目标模板直方图，利用自适应分块技术对目标进行分块，利用目标的分块信息并且结合分块的身份信息以及位置信息，构建当前目标状态的结构稀疏直方图，利用巴氏距离计算当前目标状态的结构稀疏直方图和目标模板直方图之间的距离，从而计算当前目标状态的观测相似度；利用遮挡检测机制检测遮挡，利用遮挡信息更新目标/背景字典模板以及目标模板直方图，以捕获跟踪过程中目标的外形改变以及环境的变化。