基于梯度特征的暗环境视频目标实时跟踪方法

摘要

本发明公开了一种基于梯度特征的暗环境视频目标实时跟踪方法。以多尺度矩形滤波器作为信号采样矩阵，以稀疏随机高斯矩阵作为压缩感知矩阵，借助向量积分图算法可快速提取样本特征；向量积分图步骤采用裁剪模版方法有效减少冗余计算。本发明利用1邻域LHOG提取特征，适用于黑夜、井下光照条件差，目标可能发生旋转、形变的目标跟踪，识别率高，为目标跟踪提供了可靠的结果。

主权项

一种基于梯度特征的暗环境视频目标实时跟踪方法，其特征在于，包括初始化阶段和目标跟踪阶段，所述初始化阶段包括以下步骤： 1)在初始化时，计算稀疏采样矩阵 a)计算信号采样矩阵Φ； b)计算稀疏感知矩阵Ψ； c)计算稀疏采样矩阵Θ，其中Θ＝Ψ·Φ； 2)创建一个由50个贝叶斯弱分类器级联而成的二分类朴素贝叶斯分类器H(x)，每一个贝叶斯弱分类器h_c(x_c)都是基于表示标签为y＝1的正样本和标签为y＝0的负样本的两个正态分布其中(μ_y，c，σ_y，c)表示标签为y的第c维特征对应的贝叶斯弱分类器的正态判别曲线的参数值；所述目标跟踪阶段包括以下步骤： 1)视频图像中第k帧进行目标探测 a)以第k‑1帧跟踪到的目标O_k‑1为中心进行候选样本采集，在第k帧内采集到n_y个欧氏距离满足的样本构成候选样本集合其中为候选样本搜索半径；b)计算包含全部候选样本z∈z_y的最小矩形区域∪z(z∈z_y)，对该矩形区域图像片依次进行灰度化、l邻域LHOG编码、向量积分，最终得到向量积分图I； c)以稀疏采样矩阵Θ中的非零元素的对角线为标尺，用对角线减法从向量积分图I中提取每个候选样本z∈z_y的压缩编码特征值x，有z→x(z∈z_y)； d)对包含n_y个候选样本的候选样本集合z_y排序并编号为每个候选样本z_r的压缩编码特征值x_r输入第k‑1帧训练好的二分类朴素贝叶斯分类器，计算分类得分其中d表示特征x_r的总维度，x_r，c表示来自第r个候选样本z_r的压缩编码特征x_r的第c维，分类得分最大的x_r对应的第r个样本即是第k帧跟踪到的目标O_k；2)视频图像中第k帧的二分类朴素贝叶斯分类器更新 a)以第k帧跟踪到的目标O_k为中心进行正负样本采集，在第k帧内采集到n₁个欧氏距离满足的样本构成正样本集合其中为正样本搜索半径，在第k帧内采集到n₀个欧氏距离满足的样本构成负样本集合其中为负样本搜索内径，为负样本搜索外径；b)计算包含全部正负样本的最小矩形区域∪z(z∈z₁∪z₀)，对该矩形区域图像片依次进行灰度化、l邻域LHOG编码、向量积分，最终得到向量积分图I； c)以稀疏采样矩阵Θ中的非零元素的对角线为标尺，用对角线减法从向量积分图I中提取每个正负样本z∈z₁∪z₀的压缩编码特征值x，有z→x(z∈z₁∪z₀)； d)对二分类朴素贝叶斯分类器进行更新 其中和分别为正样本的压缩编码特征的均值和方差，n₁为正样本个数，x_1，r为第r个正样本的压缩编码特征，其中和分别为负样本的压缩编码特征的均值和方差，n₀为负样本个数，x_0，r为第r个负样本的压缩编码特征。