一种基于稀疏表示的红外目标快速鲁棒跟踪方法

摘要

本发明公开了一种红外目标的快速鲁棒跟踪方法，通过计算L₁范数最小化进行稀疏求解，计算其重构误差得到每个粒子的概率，从而实现目标跟踪。考虑到这种方法由于字典的维数过高，导致求解L₁最小化的过程相当耗时，无法满足算法的实时性，以及灰度特征易受噪声、光照变化和相似物体干扰等影响的问题，本发明在压缩感知的基础上，基于一种随机测量矩阵对Harr-like特征进行压缩，不但很好的保持了原始图像特征，还具备更好的表示能力。用一种基于压缩感知的特征构造字典，计算量大大减小，同时能够更加有效地表示目标，克服了光照变化、遮挡、尺度变化、目标变形等问题，实现了红外目标的快速鲁棒跟踪。

主权项

1.一种基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于步骤如下： 步骤1：读取第一帧图像数据以及目标块在第一帧图像中的参数[x,y,w,h]，其中x,y表示目标中心的横纵坐标，w,h表示目标的宽和高； 步骤2：在第一帧图像目标的周围距离为R₁的圆形范围内随机产生m个粒子点，并记录所有m个粒子点的坐标(x_i,y_i)i＝1,2,…,m；每个粒子代表了一个目标正样本；在距离目标半径为R₂的圆形外，随机产生c个粒子点，并记录c个粒子点的坐标点(x_j,y_j)j＝1,2,…,c；每个粒子点代表了一个目标样本； 步骤3：将步骤2中产生的每个目标正、负样本z∈R^w·h与一系列不同尺度的矩形滤波器{h_1,1,h_1,2,…,h_w,h}进行卷积运算；然后，将每种尺度卷积后的目标块拉成一个维度为wh的列向量；最后，将每种尺度滤波器卷积后得到的列向量组成一个维度为(w·h)²的列向量步骤4：采用一个大小为n×m的稀疏随机测量矩阵R对列向量进行压缩，得到低维列向量v∈Rⁿ，v＝R·x，将所有粒子对应的列向量v∈Rⁿ组合到一起，构成一个大小为n×(m+c)维的目标特征模板V＝{v₁,v₂,…v_m+c}；步骤5：读取下一帧图像，在上一帧图像目标的周围距离为R₃的圆形范围内随机产生k个粒子点，记录其坐标(x_k,y_k)，k＝1,2,…,K；每个粒子点代表了一个候选目标，然后根据上面步骤3和4中的特征表示方法得到k个候选目标d_i∈Rⁿ； 步骤6：首先，对步骤4得到的目标特征模板V＝{v₁,v₂,…v_m+c}，进行单位化处理；然后，对于每个候选目标d_i，利用目标特征模板进行表示，即： 其中，v₊和v_-分别表示正样本特征模板和负样本特征模板，a和e分别表示正样本系数和负样本系数，根据目标函数求解得到系数步骤7：对于步骤5产生的k个候选目标，根据重构误差公式||d_i-Va||₂，求得每个候选目标的重构误差，选择其中重构误差最小的粒子[x,y,w,h]作为目标跟踪的结果； 步骤8：当所有候选目标均处理完则结束，若没有处理完，则转到步骤5继续。