一種魯棒性的視頻目標對象跟蹤方法
【技術領域】
[0001] 本發明涉及計算機視覺領域，特別是涉及一種能夠應對視頻中目標對象光照變 化、尺度變化、遮擋、變形、運動模糊、快速運動、旋轉、背景雜波、低分辨率等各種挑戰，能夠 對目標對象進行連續準確跟蹤的魯棒性的視頻目標對象跟蹤方法。
【背景技術】
[0002] 視頻對象跟蹤是計算機視覺系統中一個重要的環節，它融合了圖像處理、隨機過 程、人工智能等多領域的理論知識。對象跟蹤就是利用指定目標的顏色、紋理、邊緣、輪廓等 特征對目標進行檢測，采用跟蹤算法對目標當前時刻的運動狀態進行估計，并對下一時刻 的狀態進行預測，從而實現對指定目標的準確、穩定、快速的跟蹤，獲得目標的運動參數，例 如位置、速度、運動軌跡和加速度等，幫助下一步的處理與分析，實現對運動目標識別及行 為理解，以完成更高級的檢測任務。視頻目標跟蹤的關鍵就是建立每一幀圖像中候選目標 與事先確定的跟蹤目標的對應關系。
[0003] 對象跟蹤技術有著廣闊的應用前景和巨大的市場需求，不僅表征了監控行業的未 來發展的方向，并且非常符合信息產業鏈將來發展的趨勢，其中蘊涵著巨大的經濟效益，也 受到了產業界和政府管理部門的高度重視。它在安全監控、交通檢測、人機交互、醫學應 用、軍事領域等方面已經得到了成功的應用。
[0004] 鑒于視頻對象跟蹤技術的重要應用價值，學術界和公司企業對它進行了廣泛的研 究，有著20多年的研究發展歷史，但是時至今日依然沒有一種好的跟蹤算法模型能夠對對 象進行實時準確跟蹤。主要原因是跟蹤對象存在著光照變化、尺度變化、遮擋、非剛性的對 象變形、運動模糊、快速運動、旋轉、目標離開視圖、背景雜波、低分辨率等各種挑戰，這些挑 戰嚴重影響了跟蹤的準確度以及設計算法的復雜度。
[0005] 針對現有技術存在的不足，提出本發明。

【發明內容】

[0006] 本發明要解決的技術問題是提出一種克服視頻中目標對象因光照變化、尺度變 化、遮擋、變形、運動模糊、快速運動、旋轉、背景雜波、低分辨率等原因導致跟蹤不準確甚至 漂移的具有良好的魯棒性的視頻目標對象跟蹤方法
[0007] 本發明提供的技術方案是：
[0008] -種魯棒性的視頻目標對象跟蹤方法，用于對視頻中標定的目標對象進行連續跟 蹤，包括以下步驟：
[0009] 步驟11)，基于粒子濾波重要性采樣原理，采樣獲取當前幀第t幀的候選目標粒 子；
[0010] 所述步驟11)包括預測和更新兩個階段，其中，預測階段包括：以第t-Ι幀的狀態 變量為均值和常數為方差進行高斯隨機采樣獲得第t幀的狀態變量；定位出狀態變量在當 前幀第t幀圖像中所對應的區域；把所述區域映射到規范化大小的矩形模板；對所述矩形 模板向量化得到候選目標粒子的灰度觀測向量；
[0011] 更新階段包括：計算的判別函數值作為篩選后的候選目標粒子所對應狀態變量的 權重，被濾去的候選目標所對應狀態變量權重設為0,并將所有粒子權重進行歸一化處理， 根據歸一化后權值進行重新采樣得到新的狀態變量。
[0012] 所述預測階段具體為，以第t-ι幀重采樣后的狀態變量矩陣
為均值， 定義的常數s e R1x6為方差進行高斯隨機采樣得到第t幀狀態變量矩陣s t，
[0014] 其中，,
u u 是一個隨機矩陣，diag ( δ )是一個對角化的操作；η。為 粒子的數目，6為每個粒子狀態變量的維數，包括2個位置參數和4個變形參數；δ = (xt, yt, Θ t，St，at, φ t)，&為X方向的位移、y y方向的位移、Θ t為旋轉角度、s t為尺度 變化、at為寬高比、Φ t為斜切度；找出s t中每個粒子狀態變量，即s t的每一行在當前幀第 t幀圖像中所對應的區域并規范化為模板大小，相應的向量化灰度圖像觀測組成的矩陣為 A= [.Xp .xV ??人]，其中Xi e R d為第i個候選目標粒子的灰度觀測向量。
[0015] 步驟 12)，基于候選目標粒子與第 t_50、t_40、t_30、t_20、t_10、t_5、t_4、t_3、 t-2、t-1幀目標對象跟蹤結果的余弦相似度，濾去相似度值都小于閾值的候選目標粒子，余 弦相似度的計算公式為：
[0016]
i = 1，2,…，n。; j = t_50, t_40, t_30, t_20, t_10, t_5, t_4， t~3, t~2, t_l ；
[0017] 其中，X1是第i個獲選目標粒子的灰度觀測向量，y ]是第j幀目標對象跟蹤結果 的灰度觀測向量。對于第i個候選目標粒子，若(j = t-10，t-9，*"，t-l;n 為常數）都成立，就濾去該候選粒子，剩下的候選目標粒子組成新的矩陣X e Rdxn，其中n<< η0〇
[0018] 步驟13)，篩選后的侯選目標粒子基于模板字典的線性表示；
[0019] 具體為，通過對第一幀手動標出的目標對象坐標加1或者減1產生目標模板集 A ,同時在標出的目標對象約定半徑外隨機采樣產生背景模板集
，」把目 標模板集和背景模板集組合成模板字典
，其中I和n b分別為目標模 板集和背景模板集中目標模板和背景模板的個數，d為模板灰度向量化的維數。為應對目 標外觀的變化，防止跟蹤發生漂移，模板字典必須在跟蹤過程中更新；經篩選后的候選目標 粒子組成的矩陣X能夠被模板字典線性表示，公式表示為：X = DZ+E，其中X為篩選后的獲 選目標粒子組成觀測矩陣，D為模板字典，Z為線性系數矩陣，E為誤差矩陣。
[0020] 步驟14)，線性系數矩陣的低秩稀疏數學模型；
[0021] 具體為，利用線性系數矩陣固有屬性和前后幀目標對象線性表示系數一致性，建 立求解該系數矩陣的數學模型，該線性系數矩陣Z具有低秩、稀疏、行稀疏屬性，同時系數 矩陣Z的每一列都減去前一幀目標對象的線性表示系數z。后具有列稀疏性，據此建立關于 系數矩陣的數學模型為：

[0024] 其中，X為篩選后的候選目標粒子組成的觀測矩陣，每一列代表一個候選目標粒 子；D為模板字典，包括目標模板集和背景模板集；Z為線性系數矩陣，E為誤差矩陣；矩陣 Z。= z Jt的每一列都是z。，z。為前一幀目標對象跟蹤結果的線性表示系數；I |Z| I $是矩陣 Z核范數，其值等于Z的奇異值之和，用來約束Z的秩，I |Z| |p，q是矩陣Z的p，q范數，
[0026] 其中，[Zilu為矩陣Z的第i行第j個元素 ，p = 1，q = 2時約束Z行稀疏，p = 2, q =1約束Z列稀疏，p = 1，q = 1約束Z稀疏。
[0027] 步驟15)，基于不精確拉格朗日乘子優化算法求解系數矩陣；
[0028] 具體為，采樣不精確拉格朗日乘子優化算法求解（式1)中系數矩陣，引進了四個 等式約束：
[0035] 利用增廣拉格朗日乘子法合并（式2)中等式約束和目標函數，得到拉格朗日函 數：
[0037] 其中，Y1, Y2, Y3, Y4, Y5為拉格朗日乘數，μ為大于0的懲罰參數，（式3)通過一個 封閉的迭代操作進行優化求出系數矩陣，算法過程為：
[0038] 輸入：X，D，Ζ。，λ I.+ ρ，μ，ymax，e
[0039] 輸出：Z，E
[0040] 初始化 Z，Z1, ...4, E，Y1, ...5為 0 矩陣；
[0041] while (norm(X_D*Z_E，，fro,) > e)

[0055] 在上述算法中，X為篩選后的候選目標粒子組成的觀測矩陣，每一列代表一個候選 目標粒子；D為模板字典，包括目標模板集和背景模板集；Z為線性系數矩陣，E為誤差矩陣； Z1^4為與Z等價的中間變量，Yk5為拉格朗日乘數；μ為懲罰參數，P，ymax，e為常數 參數，本發明中設定 μ = 10 6，P = 1. 1，ymax = 101。，e = 10 s;S E (Q)、De (Q)、Te (Q)、 We (Q)是關于矩陣Q和參數ε的函數，公式如下：
[0056] S E (Q) = max (I QI - ε，〇) sgn (Q)，其中 sgn (·)