一种基于压缩感知的视频目标跟踪方法

摘要

本发明涉及一种基于压缩感知的视频目标跟踪方法，首先采用压缩感知理论生成稀疏投影矩阵，对采样得到的正负样本进行稀疏投影降维，创建贝叶斯分类器；当下一帧图像到来时，在上一帧得到的目标位置周围进行采样，使用分类器分类得到最大可能的目标位置，更新目标位置，更新分类器参数。本发明方法能够有效克服因目标特征变化引起的跟踪不稳定问题，使用压缩感知理论将高维信息压缩至低维，有效降低计算复杂度，缩短跟踪时间。

主权项

一种基于压缩感知的视频目标跟踪方法，其特征在于步骤如下：初始化阶段：步骤A1、对任意一段视频图像中的第t帧标记出目标位置I_t(w,h)，其中w(x₁,y₁)与h(x₂,y₂)表示目标的两个对角坐标；步骤A2、生成稀疏投影矩阵R$R\left(r_{\mathrm{ij}}\right)=\sqrt{s}\times \left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$其中的s取2或3；设置参数：学习因子λ，正样本范围α，负样本范围ζ,β，目标检测位置γ；步骤A3、在目标I_t(w,h)的周围，采样正样本和负样本D^ζ,β＝{z|ζ＜||I(z)‑I_t||＜β}，其中α＜ζ＜β，α,ζ,β初始参数，z表示样本；步骤A4、稀疏投影得到低维样本的特征F＝R·D；步骤A5、创建分类器$H\left(v\right)=\log \left(\frac{{\Pi }_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\Pi }_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\Sigma }}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$其中：正样本$p\left(v_i\right|y=1)~N({\mu }_i^1,{\sigma }_i^1),$负样本$p\left(v_i\right|y=0)~N({\mu }_i^0,{\sigma }_i^0),$v表示特征向量，y∈{0,1}，y＝1表示目标，y＝0表示背景；跟踪阶段：步骤B1、在t+1帧，采样D^γ＝{z|||I(z)‑I_t||＜γ}，稀疏投影得到低维特征，I_t表示t帧的目标位置；步骤B2、使用A5创建的分类器对步骤B1中的样本进行分类，$H\left(v\right)=\log \left(\frac{{\Pi }_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\Pi }_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\Sigma }}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$得到最大的H对应的样本认为是目标的最大可能位置I_t+1(w,h)；步骤B3、在目标I_t+1(w,h)的周围，采样正样本D^α＝{z|||I(z)‑I_t+1||＜α}和负样本D^ζ,β＝{z|ζ＜||I(z)‑I_t+1||＜β}，稀疏投影得到低维特征F＝R·D；步骤B4、更新分类器参数：${\mu }_i^1\leftarrow \lambda {\mu }_i^1+(1-\lambda ){\mu }^1$${\sigma }_i^1=\sqrt{\lambda {\left({\sigma }_i^1\right)}^2+(1-\lambda ){\left({\sigma }^1\right)}^2+\lambda (1-\lambda ){({\mu }_i^1-{\mu }^1)}^2}$其中λ>0表示学习因子；${\sigma }^1=\sqrt{\frac{1}{n}{\Sigma }_{k=0|y=1}^{n-1}{(v_i\left(k\right)-{\mu }^1)}^2}$${\mu }^1=\frac{1}{n}{\Sigma }_{k=0|y=1}^{n-1}{v}_i\left(k\right)$步骤B5、重复步骤B1至步骤B4，继续进行目标跟踪。