基于L1正則化的實時運動目標跟蹤的新方法技術

本發明專利技術公開了一種基于L1正則化的實時運動目標跟蹤的新方法，包括以下步驟：輸入第一幀圖像并確定跟蹤的目標；初始化跟蹤姿態；初始化模板集；進行粒子濾波的粒子初始化；獲取下一幀圖像，轉下一步進行跟蹤，直到最后一幀；對圖像進行預處理；計算粒子與模板的相似度；將最大觀測概率的粒子并進行重采樣；遮擋檢測；模板更新。通過將瑣碎模板的系數的二范數項添加到L1最小化模型中，建立新的最小化模型，在模板更新前使用遮擋檢測方法檢測目標是否存在遮擋，從而改進目標跟蹤的精度；利用導數有界和可解析表示求解新的最小化模型，從而使得新的算法能適用于實時運動目標跟蹤。本發明專利技術可在保證目標跟蹤準確度的同時，使算法滿足實際應用的性能要求。

【技術實現步驟摘要】

本專利技術屬于智能視頻監控
，具體涉及一種基于LI正則化的實時運動目標跟蹤的新方法。
技術介紹
目前，視頻監控技術的應用非常廣泛，視頻運動目標跟蹤技術也隨之成為研究的熱門課題之一，它融合了計算機圖像處理、模式識別、人工智能及自動控制等諸多相關領域的知識與技術。視頻目標跟蹤的研究目的是模擬人類視覺運動感知功能，賦予機器辨識序列圖像中運動目標的能力，為視頻分析和理解提供重要的數據依據。近年來，由于稀疏表示對圖像腐蝕，尤其是遮擋具有很高的魯棒性，因此為未知線性系統求得稀疏解的稀疏表示和壓縮傳感技術已經引起機器視覺領域的廣泛關注。2009 年 J. Wright 等發表在《IEEE Transaction On Pattern Analysis And MachineIntelligence》上的論文 “Robust face recognition via sparse representation，，,最先將稀疏表示用于人臉識別。2011年，X. Mei和H. Ling發表在《IEEE Transaction OnPattern Analysis And Machine Intelligence》上的論文“Robust Visual Tracking andVehicle Classification via Sparse Representation”,將稀疏表不運用到目標跟蹤與汽車分類上，該方法首先在模板空間下將目標由模板(候選模板與瑣碎模板)的線性組合表示，例如目標可以很好地由僅僅幾個模板的線性組合近似表示，然后用LI正則化模型表示模板的線性組合，最后使用內點法求解模板的系數，從而得到跟蹤結果。由于使用LI正則化能使得稀疏信號有穩定的復原能力，因此該方法在不同的跟蹤環境下魯棒性高。但是基于預處理共軛梯度的內點法求解LI正則化方法計算復雜度高，使得跟蹤速度慢，不能滿足實時性的要求，并且不能檢測目標是否被遮擋。
技術實現思路
為了克服現有基于預處理共軛梯度的內點法求解LI正則化方法中存在的不足因計算復雜度高，使跟蹤速度慢而不能滿足實時性要求，并且不能檢測目標是否被遮擋，本專利技術提供了一種基于LI正則化的實時運動目標跟蹤的新方法。本專利技術的技術方案是通過將瑣碎模板的系數的二范數項添加到LI正則化模型當中，建立新的正則化模型，在模板更新前使用遮擋檢測方法檢測目標是否存在遮擋，從而改進目標跟蹤的精度，然后利用導數有界(Lipschitz特性)和可解析表示迭代求解LI正則化方法，從而使得新的算法能適用于實時運動目標跟蹤。一種基于LI正則化的實時運動目標跟蹤方法，其特征在于包括以下步驟步驟1，輸入第一幀圖像，把它轉化為灰度圖像，從第一幀圖像確定跟蹤的目標。步驟2，初始化跟蹤姿態(確定跟蹤目標)和粒子，方法如下在跟蹤的目標上取三個點，形成四邊形的跟蹤框，然后將這三個點進行仿射變換，形成目標初始姿態的仿射六參數的矩陣，并將初始姿態規定為參考模板。根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；參考模板仿射參數加上這個正態分布的噪聲形成NS個仿射參數矩陣作為粒子。步驟3，初始化模板集，方法如下:參考模板加上隨機擾動形成N個候選模板，然后將這些模板與M個瑣碎模板組成模板矩陣(例如候選模板矩陣為A，瑣碎模板矩陣為B，則模板矩陣為AB)。其中瑣碎模板個數M為目標矩形框像素點個數，瑣碎模板為MXM的單位矩陣。步驟4，獲取下一幀圖像，如果不是最后一幀圖像，轉步驟6進行跟蹤；否則，跟蹤結束。步驟5，圖像進行預處理，將原始圖像轉換成灰度圖像。步驟6，根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；NS個粒子仿射參數加上這個正態分布的噪 聲形成新的仿射參數作為新的粒子。步驟7，一階段采樣，方法如下:首先，按下式計算觀測概率的上界:本文檔來自技高網...

【技術保護點】
一種基于L1正則化的實時運動目標跟蹤的新方法，其特征在于包括以下步驟：步驟1，輸入第一幀圖像，把它轉化為灰度圖像，從第一幀圖像確定跟蹤的目標；步驟2，初始化跟蹤目標的跟蹤姿態和粒子，方法如下：在跟蹤的目標上取三個點，形成四邊形的跟蹤框，然后將這三個點進行仿射變換，形成目標初始姿態的仿射六參數的矩陣，并將初始姿態規定為參考模板；根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；參考模板仿射參數加上這個正態分布的噪聲形成NS個仿射參數矩陣作為粒子；步驟3，初始化模板集，方法如下：參考模板加上隨機擾動形成N個候選模板，然后將這些模板與M個瑣碎模板組成模板矩陣（例如候選模板矩陣為A，瑣碎模板矩陣為B，則模板矩陣為AB）；其中瑣碎模板個數M為目標矩形框像素點個數，瑣碎模板為M×M的單位矩陣；步驟4，獲取下一幀圖像，如果不是最后一幀圖像，轉步驟6進行跟蹤；否則，跟蹤結束；步驟5，圖像進行預處理，將原始圖像轉換成灰度圖像；步驟6，根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；NS個粒子仿射參數加上這個正態分布的噪聲形成新的仿射參數作為新的粒子；步驟7，一階段采樣，方法如下：首先，按下式計算觀測概率的上界：q(zt|xti)=1Γexp{-a||Ttα^-yti||22}其中，為t時刻粒子狀態為xt時觀測值為zt的概率，Tt表示候選與參考模板組成的模板矩陣，y表示粒子的仿射矩陣從當前幀獲取的跟蹤目標，為最大觀測概率粒子的相應模板系數，a是常數，Γ為概率歸一化參數；然后，將所得的觀測概率進行排序；步驟8，二階段采樣：利用函數的導數有界和可解析求解的迭代求解的L1正則化的最小二乘逼近誤差得到模板的系數，然后根據粒子的重構誤差計算粒子精確的觀測概率，并且找出觀測概率最大的粒子，具體方法如下：原始L1模型為：argminα12||y-Aα||22+λ||α||1約束條件：αT≥0其中，y是粒子，A是模板集，包括候選模板AT與瑣碎模板AI，α是模板系數，包括候選模板系數αT和瑣碎模板系數αI，λ是正則化參數，表示f(α)取最小值時α的取值；由于瑣碎系數能判斷像素是否被遮擋，對模型引入瑣碎系數的二范數項，使模型處理目標被遮擋的情況，得到改進模型為：argminα12||y-Aα||22+λ||α||1+μt2||αI||22約束條件：αT≥0其中，μt為控制瑣碎模板的參數，由遮擋檢測方法自動調整得到；加速迭代優化L1模型的方法如下：①將改進的L1正則化模型變換成無約束模型；迭代優化用于求解無約束模型，先將改進的L1正則化模型轉化為無約束的模型，則改進的正則化模型為：其中，表示所有元素均為1的向量，表示指示函數，其表達式為：令F(α)=12||y-A′α||22+λ1TTαT+μt2||aI||22,利用F(α)函數的導數有界，以及G(α)的可解析求解，求解下述最優化問題：αk+1=argminαL2||α-βk+1+▿F(βk+1)L||22+G(α)其中，表示求梯度，L是F(α)的上界，βk+1=αk+tk-1-1tk(αk-αk-1),tk+1=1+1+4tk22,k∈[0,∞]，tk+1為輔助變量(t0=t?1=0)；直到收斂，得到模板系數，從而計算粒子的觀測概率；②計算粒子的觀測概率：p(zt|xt)=1Γexp{-a||yt-Ttα^T||22}其中，為最大觀測概率粒子的相應候選模板系數；步驟9，重采樣，方法如下：首先將粒子的觀測概率進行歸一化，然后用粒子數NS乘歸一化后的粒子的觀測概率，從而概率較大的粒子衍生出相對較多的后代粒子，而概率較小的粒子衍生出較少的后代粒子；步驟10，如果觀測概率最大的粒子與系數最大的候選模板的余弦相似度大于事先定義的閾值，則進行遮擋檢測；遮擋檢測的方法如下：將瑣碎系數組成二維矩陣，當瑣碎系數大于設定閾值，則認為該像素點所在區域可能被遮擋，并標記該像素點；當被標記的連通區域大于設定閾值，則目標是被遮擋，并不更新候選模板集；步驟11，模板更新：根據概率最大的粒子的模板系數，將其系數最小的候選模板，用其仿射形成的目標模板替換，然后插入到模板矩陣中...

【技術特征摘要】
1.一種基于LI正則化的實時運動目標跟蹤的新方法，其特征在于包括以下步驟: 步驟1，輸入第一幀圖像，把它轉化為灰度圖像，從第一幀圖像確定跟蹤的目標； 步驟2，初始化跟蹤目標的跟蹤姿態和粒子，方法如下: 在跟蹤的目標上取三個點，形成四邊形的跟蹤框，然后將這三個點進行仿射變換，形成目標初始姿態的仿射六參數的矩陣，并將初始姿態規定為參考模板；根據參考模板仿射參數構造一個擾動，并作為零均值正態分布的方差；參考模板仿射參數加上這個正態分布的噪聲形成NS個仿射參數矩陣作為粒子； 步驟3，初始化模板集，方法如下: 參考模板加上隨機擾動形...

【專利技術屬性】
技術研發人員：楊金福，傅金融，楊宛露，李明愛，趙偉偉，解濤，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：