一种基于压缩感知的实时多尺度目标跟踪方法

摘要

发明公开了一种基于压缩感知的实时多尺度目标跟踪方法。通过提取采样图像的归一化矩形特征对样本建模，归一化矩形特征对多尺度目标跟踪具有较强鲁棒性。由于归一化矩形特征维数很高，发明基于压缩感知对高维特征压缩，提取尺度不变压缩特征向量并利用积分图使得计算复杂度大大降低，以满足实时跟踪的需要。利用朴素贝叶斯分类器对样本的压缩特征向量分类以确定目标最可能位置，并利用分类器响应估计粒子权重、对粒子进行重采样以防止粒子跟踪能力退化，同时考虑目标运动速度因素利用二阶模型估计和预测粒子状态。本发明所述方法对视频图像中的目标能够实时跟踪、准确性高、计算复杂度低且跟踪框实时随着目标尺度变化，符合实际跟踪应用的需要。

主权项

一种基于压缩感知的实时多尺度目标跟踪方法，其特征在于，包括以下步骤：系统初始化阶段：(1).读取目标初始位置参数Rstate=[x，y，w，h]，其中(x，y)表示目标初始位置矩形框左上角点坐标，w和h分别表示目标初始位置矩形框宽和高；(2).读取视频序列第一帧图像F0，并转换为灰度图像，记为I0；(3).计算第一帧图像的积分图；(4).构建初始随机测量矩阵R0；(5).以初始目标位置中心为基准，采集宽、高与初始目标相同的正、负样本；(6).提取所有采集得到的正、负样本的尺度不变压缩特征向量，并更新朴素贝叶斯分类器参数；(7).计算初始目标矩形框内样本尺度不变压缩特征向量v0，并对粒子分布进行初始化；视频实时目标跟踪阶段：(1).读取第t帧图像，并转换为灰度图像，记为It；(2).计算当前图像积分图；(3).利用二阶模型对粒子状态进行估计和预测；(4).计算所有粒子的尺度不变压缩特征向量；(5).利用朴素贝叶斯分类器对所有粒子进行分类，并得到所有粒子的分类器响应值；(6).将分类器响应最大的粒子作为目标位置，相应粒子尺度作为目标当前尺度估计值，然后利用分类器响应值计算粒子权重；(7).依照粒子权重，对所有粒子重采样，重采样后，权重高的粒子处采样数目增加，权重过低的粒子被舍弃以避免低权重粒子样本所引起的退化；(8).以当前所确定目标中心为基准，采集与所确定目标框宽度、高度相同的正、负样本；(9).提取所采集正、负样本的尺度不变压缩特征向量，并更新分类器参数；(10).若视频未结束，返回步骤1继续读取下一帧视频图像。