一種基于低秩矩陣表示的目標跟蹤方法
【技術領域】
[0001] 本發明屬于模式識別與計算機視覺領域，尤其涉及一種基于低秩矩陣的目標跟蹤 方法。
【背景技術】
[0002] 隨著計算機技術的迅猛發展以及諸如"智能地球"、"智能交通"、"智能家居"等概 念的提出，人們對未來智能化的生活充滿了期待，加快智能化建設的呼聲也越來越高。智能 化的主要思想是利用計算機來代替人力，在特定場景下自動完成觀察、判斷、預警等任務， 從而節省人力資源，便利人們的日常生活。在智能化的概念下，計算機可以完成的任務千差 萬別，但不論計算機的具體任務為何，都需要先運用計算機視覺領域的知識完成對外界的 觀察，因此智能化建設對計算機視覺領域的技術積累和發展提出了較高的要求。
[0003] 目標跟蹤作為計算機視覺領域的重要課題，一直都有著不少的科研人員將目光專 注于其上。一般而言，基于視頻或者圖像序列的目標跟蹤是通過處理視頻或者圖像，對目標 進行檢測、提取、識別和跟蹤，獲取目標的運動參數(如速度、位置、旋轉角度等），鎖定目標 的運動軌跡，從而實現進一步理解目標的行為，甚至完成更加高級的任務。因此，目標跟蹤 在計算機視覺領域具有十分重要的意義。只有目標跟蹤的效果得以穩定，才能使后續的諸 如行為理解等更高級的任務得以進行。
[0004] 目標跟蹤在實際應用中也有廣泛的前景，而其在安全監控、人機交互、軍事、醫學 等領域更是已有廣泛的應用。在攝像頭已幾乎遍布生活中各個角落的今天，我們對智能監 控的需求達到了有史以來的頂峰。如果每個攝像監控都需要人力去觀察，將會造成巨大的 人力資源浪費，而智能監控能夠自動的對這些海量的監控視頻進行處理，達到我們想要達 到的目的。而無論智能監控的具體目標是什么，其效果實現都必須建立在目標跟蹤成功的 基礎上。如對獨居老人的智能安全監控需要先實現對老人的跟蹤，之后再對跟蹤目標提取 相關信息進行老人的行為判斷，從而在老人發生意外摔倒等情況下及時通知醫護人員；在 人機交互方面，需要使用跟蹤技術，來使人的肢體語言、表情等成為控制途徑，從而實現一 系列的功能，帶給客戶極佳的用戶體驗;在醫學上，通過對病人病變部位的細胞或區域進行 長期跟蹤，能夠幫助醫生更快速準確的治療疾病;在軍事上，通過跟蹤技術來對導彈的飛行 進行控制，并在敵方目標快速準確定位上具有重要作用。因此，跟蹤技術的研究具有十分重 要的現實意義。

【發明內容】

[0005] 針對現有技術，本發明提供一種進行目標跟蹤的方法，其能夠對復雜場景下的目 標進行跟蹤，并且具有較強的魯棒性。
[0006] 為實現上述目的，本發明采用的如下技術方案：
[0007] -種基于低秩矩陣表示的目標跟蹤方法，其特征在于，包括以下步驟：
[0008] 步驟一：在第1幀選取初始目標位置，根據初始目標位置選取目標模板和背景模 板，先對目標模板進行分塊處理，然后對目標模板和背景模板進行仿射變換，完成局部字典 和全局字典的初始化；
[0009]步驟二:根據第S-1幀的目標位置，選取第S幀的跟蹤目標T，再將第s幀的跟蹤目標 T仿射變換為與全局字典中原子相同大小的塊？，并得到狀態參數Fs，s> = 2;
[0010]步驟三：以第s幀目標狀態參數匕為均值，δ2為方差的高斯分布隨機在第 s幀采集粒 子，對粒子進行分塊處理和仿射變換，構建分塊矩陣和全局矩陣，用局部字典表示各個分塊 矩陣，得到對應局部系數矩陣；用全局字典表示全局矩陣，得到全局系數矩陣；
[0011] 步驟四：通過全局系數矩陣以及局部系數矩陣計算得到各粒子總權重ω,，然根據 粒子坐標位置和權重ω ,，得到s幀目標位置Ls，Ls = H ;
[0012] 步驟五:根據s幀的目標位置，對局部字典和全局字典進行更新；
[0013] 步驟六：s = s+l，轉至步驟二。
[0014] 上述技術方案中，步驟一包括如下步驟：
[0015] S11:選取目標模板和背景模板
[0016] 以p個像素點為步長，目標位置L為中心，在垂直方向上上下移動最多一個步長，在 水平方向上左右移動最多一個步長，從而取到8個與目標大小形狀相同的塊作為模板，目標 本身同樣作為一個模板，最后再在目標附近(與目標位置不超過目標的長寬最小值)隨機取 m個塊作為模板，構成以m+9個模板組成的目標模板集合{Ει，Ε2, '"Ειη+θ}，在不小于1.5倍d的 位置隨機選取η個大小與目標相同的塊作為背景模板集合{Β^Β^ - ,Βη}，d為為目標長和寬 最小值，
[0017] S12:對目標模板進行分塊處理
[0018]將目標模板Ej(j em+9)成3*3的小塊，并編號，然后將每個小塊以列向量的形式表 示，得到e/}，其中，各向量的元素值為對應像素點的灰度值；
[0019] S13:對目標模板和背景模板進行仿射變換
[0020] 對目標模板E j (j e rn+9)和背景模板Bk (k e n)進行仿射變換，得到與S12中小塊相同 大小的塊，并將其以向量形式表示，得到&和&;
[0021] S14:完成局部字典和全局字典的初始化
[0022] 用所有目標模板和背景模版的仿射變換小塊％1和€來初始化全局字典Ζζ，得到 初始化的全局字典
，再將每個目標模板& (j em+ 9 )的小塊{e/, e/,, e/}來初始化局部字典D s，從而得到初始化的局部字典
[0023]上述技術方案中，步驟二的目標狀態參數F s由六個仿射系數決定， 巧=dy, s, θ, γ, φ}，其中dy，s, θ, γ._ φ分別表示目標x方向位移、y方向位移、尺 度變化、旋轉角度、寬高比和斜切度。
[0024]上述技術方案中，步驟三包括以下步驟：
[0025] S31:以第s幀目標狀態參數Fs為均值，δ2為方差的高斯分布來隨機選取粒子集 [x sW；^=1，N為粒子集個數；
[0026] S32:將目標模板Ej( j em+9)平均分成3*3個大小相同的小塊并編號，然后將每個 小塊以列向量的形式表示，得到...向量的元素值為對應像素點的灰度值；
[0027] 再使用與S13相同操作對粒子進行仿射變換，得到
[0028] S33:把所有粒子分塊后的結果，即均分后的小塊；^)^1 = 提取出來， 其中i E9表不粒子的序號，1 eN表不小塊的標號，然后將；^二1,2,... ,9彡組合為對應 的分塊矩陣#，用式子表示為
庫中，N表示粒子總數，再把 所有粒子的(?)用來組成全局矩陣
[0029] S34:用局部字典表示各個分塊矩陣，得到對應局部系數矩陣，用全局字典表示全 局系數矩陣，得到全局系數矩陣
[0030] 上述技術方案中，步驟四中粒子權重的計算方法如下：
[0031] S41:從全局系數矩陣I；中按列提出第i個粒子的全局表示系數列向量其 中表示矩陣I；的第i列，再用中的前m+9個元素的絕對值的和減去該向量后η個 元素的絕對值之和，得到該粒子的全局權重河；
[0032] S42:從局部系數矩陣4(1 =： 1又…,9)中按列提取出第i個粒子的局部字典表示系數 列向量(^)i，其中表示矩陣避的第i列，然后取出列向量中對應小塊的系數，即（4)? 中的第1，9+1，9*2+1，···，9*(m+9-l)+l個元素，m+9為目標模板個數，求它們的絕對值之和，再減去其 他元素的絕對值之和，得到局部權重ft)f，即
[0033] S43:根據S41和S42得到的琢和計算出粒子的總權1
* σ,其中參數σ決定了全局特征和局部特征在目標相似性度量上的重要性占比；
[0034] S44:將所有粒子的總權重進行歸一化，然后根據粒子xf坐標位置!^5和權重 ω,，得到第s幀目標位置Ls
[0035] 上述技術方案中，步驟五中字典的更新方法如下：
[0036] S51:生成一個累積概率序列來表示每個模板的累計更新概率：
[0037]
[0038] 其中η表示目標隞反總數，然后殖機生H?間[0，D上的叛，判新r處子上式中序列