CN105654514A - 一种图像目标跟踪方法 - Google Patents

Abstract

本发明提供了一种图像目标跟踪的方法，通过获取第一帧图像，根据不同尺度的局部图像块的外观模型集合成图像整体字典，计算局部图像块的稀疏系数；采集图像的当前状态为候选目标，建立粒子滤波器和相似度函数，通过当前状态粒子滤波器框架中的相似度函数，计算候选目标的估计位置；以候选目标的估计位置为依据，进行局部图像块的稀疏系数重算，完成目标最后的定位位置。本发明改进了以往的通过采用统计特征进行随机抽样一致性识别目标的跟踪方法，提供了通过局部图像块的稀疏系数所构造的辨别式模型来识别复杂背景中目标对象的方式。并通过辨别式和产生式融合的候选目标相似度函数，提高了该跟踪方法的稳定性和精确性。

Description

一种图像目标跟踪方法

技术领域

本发明涉及计算机图像处理技术领域，特别涉及计算机图像处理中的图像目标跟踪的方法。

背景技术

随着近年来传感器技术和计算机硬件处理能力及其存储技术的不断发展，运动目标跟踪成为模式识别和计算机视觉中一个热门的研究领域，在军事和民用等领域都有着广泛的应用。视觉信息是人类通过感官从外界获取的最主要信息之一，同时视频序列具有比静态图像更多的有效信息，因此对视频序列中的目标进行分割和跟踪是后续研究工作的前提和基础，如异常行为检测、目标识别等工作都以目标的跟踪和分割为前提。

所谓目标跟踪技术，研究内容包括以下两方面，一个是对所捕获的视频序列中的运动目标进行检测、跟踪、识别和提取所需信息，如目标的轨迹及其相关运动参数，如速度、加速度、某时刻的位置等。另一个是利用所获取的各项运动参数对目标进行估计与预测以辅助决策。因此，精确地提取运动目标的特征是提高目标跟踪、识别与分类的前提；而跟踪的精确度又影响到高层决策过程精确与困难程度，如目标行为的描述和理解与判定、决策等。

然而，现实中存在大量影响着运动目标及其外形特征提取精度的因素，比如目标被遮挡、发生空间内旋转和目标进出视野范围会影响大部分跟踪器的性能，导致其逐步累积误差而最终跟踪结果发生较大偏差；拥挤的场景会存在大量类似目标的干扰而使得目标的检测和跟踪难度加大；诸多干扰目标边缘特征提取的因素，如运动目标姿态的改变将会影响基于边缘、梯度等特征的跟踪器性能导致其无法检测到与训练样本近似的区域而影响跟踪结果；如摄像机的抖动和影子会导致视频序列的相邻两帧出现灰度和内容发生较大的变化会影响大部分跟踪器性能；此外如光照的突变、光线较弱、能见度较低，或者是室内场景目标与背景的对比度变化等情况会导致目标色彩特征的改变，由于视觉特征对光照变化的敏感性，将会影响一些基于色彩特征的跟踪器运行结果。因此，找到应对复杂场景下影响目标跟踪算法性能诸多因素的有效解决方法，提高算法的鲁棒性和精确性，成功地搭建一个高效、实时的运动目标跟踪平台，对于行为模式理解等研究都具有很重要的理论价值与广泛的应用价值。

发明内容

针对现有技术存在的上述问题，本发明提供一种基于稀疏系数的目标跟踪方法，主要针对现有的通过采用统计特征进行随机抽样一致性识别目标的跟踪方法在识别能力上的不足，提出了一种通过局部图像块的稀疏系数所构造的辨别式模型来识别复杂背景中目标对象的方式。并通过辨别式和产生式融合的候选目标相似度函数，提高了该跟踪方法的稳定性和精确性。

为实现上述发明目的，本技术发明提供以下技术方案：

本发明采用了一种构建场景图像的多尺度图像整体字典的方法，基于不同尺度块，通过第一帧的目标图像创建静态字典，结合不同尺度的图像整体字典以及局部块稀疏系数来实现外观图像表示。

进一步的，本发明采用了通过局部图像块的稀疏系数所构造的辨别式的方法。将局部稀疏系数通过排列池法实现目标表示，并将单一尺度稀疏表示拓展成多尺度下稀疏系数表示，以此完善目标外观表示，增强跟踪器的鲁棒性。考虑到块状大小选择对跟踪表现影响较大，本方法可以通过多尺度块自适应融合方法来解决图像局部块选择的问题。

进一步的，本发明建立局部图像稀疏直方图的目标状态估计方法，在生产式模型中，目标外观由相应的稀疏编码直方图表示，目标模板与候选模板之间的相似度通过稀疏编码直方图计算。

本发明采用了粒子滤波器的框架，在追踪候选目标图像的基础上计算候选目标相似度并结合粒子滤波器确定最终的目标定位的估计位置。

进一步的，所述粒子滤波器为估计和扩散状态变化后验概率密度函数提供了环境框架。

本发明采用了一种多尺度图像整体字典与粒子滤波器结合的目标定位方法，候选目标的状态估计通过一个整合了判别式模型以及生产模型的多尺度字典进行分析并结合粒子滤波器来对候选目标进行最终的定位位置；

进一步的，本发明采用了基于多尺度字典和粒子滤波的目标定位的方法。对候选目标的每一个局部图像块重构稀疏系数并经过粒子滤波完成跟踪目标最优位置的选择。

进一步的，本发明对候选目标的跟踪采用了一种通过稀疏系数构造辨别式模型的有效目标识别的方法，在判别式模型中目标图像被相应的稀疏编码来表示，通过对稀疏编码的学习，获得一个线性分类器来识别背景图像和目标图像。

综上所述，本发明对候选目标的跟踪采用了一种多尺度图像整体字典与粒子滤波器结合的目标定位方法，该方法不仅拜托了目标跟踪前局部块选择的困扰，而且还使得目标信息与空间信息相互补充，提升了跟踪精度。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1为本发明实施例中图像目标跟踪方法的流程图

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。因此，本领域普通技术人员应当认识到，可以对这里的描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

一种基于稀疏表示的目标跟踪方法，主要针对现有的通过采用统计特征进行随机抽样一致性识别目标的跟踪方法在识别能力上的不足，提出了一种通过局部图像块的稀疏系数所构造的辨别式模型来识别复杂背景中目标对象的方式。并通过辨别式和产生式融合的候选目标相似度函数，提高了该跟踪方法的稳定性和精确性。

本技术发明为实现上述目的，采用了一种结合不同尺度字典以及局部块稀疏系数来实现外观表示的方法，并应用粒子滤波的方式提高跟踪的稳定性和精度，采取的技术方案主要包括三个部分：

(1)基于多尺度块的稀疏系数表示图像外观模型：

根据不同尺度块大小建立图像外观模型，通过不同尺度下图像求解局部图像块的稀疏系数，搜集全部目标稀疏来表示图像外观。在目标区域内通过滑动不同大小的窗口来采样局部图像块，以此来建立不同尺度下的图像整体字典 $D^s=\left\{d_j^s\right|j=1:n\×K,s=1,2,...,L,r=2\×s+2\}.d_j^s\∈R^d$ 表示第j列图像块，d^s是图像块维数，r表示尺度。然后再不同尺度下从候选目标区域抽取局部图像块，根据不同的图像块建立图像整体字典D^s，每一个尺度的局部图像块可以得到对应的稀疏系数：

$a_j^s=\arg min\left|\right|a_r^s\left|\right|subjectto\left|\right|p_j^s-D^s{a}_j^s\left|\right|<\mathrm{\&epsiv;}$

当一个候选目标图像块通过上式计算后得到相应的稀疏编码，即可通过稀疏系数权值化操作来表示不同尺度下局部图像的变化情况从而构建该目标场景的表示模型。

(2)粒子滤波器的建立：

粒子滤波器为估计候选目标的状态变化后验概率密度函数提供了环境框架，当前状态为t时刻时的候选目的观察状态为y_s＝{y₁,...,y_r}，则当前状态S_t通过最大化后验概率来估计：

s_t＝argmaxp(S_t|y_tr)

这里p(S_t|y_tr)是后验概率，是候选目标在给定状态S_t下的y_t的相似度函数。

(3)根据多尺度字典对目标进行跟踪：

在实际应用中，基于不同尺度块，通过来自第一帧目标图像所创建的静态字典建立静态表现模型来实现相似度计算。在t时刻，候选目标通过实时更新的多尺度字典，在粒子滤波器框架中结合相似度函数来完成候选目标位置估计。然后带着构建的静态字典在第一步估计结果的基础上，对候选目标的每一个局部图像块通过以下方式重新计算对应的稀疏系数：

${\hat{a}}_j^s=\arg \min \left|\right|a_r^s\left|\right|subjectto\left|\right|p_j^s-D^s{a}_j^s\left|\right|<\mathrm{\&epsiv;}$

最终，类似第一部算法流程完成图像目标的最后位置定位。

综上所述，本发明提供的一种图像目标跟踪的方法，通过外观相似度和粒子滤波追踪框架来实现目标状态估计，采用了通过局部图像块的稀疏系数所构造的辨别式的方法，将局部稀疏系数通过排列池法实现目标表示，并将单一尺度稀疏表示拓展成多尺度下稀疏系数表示，以此完善目标外观表示，构建场景图像的多尺度字典。在目标状态估计的基础上计算候选目标相似度并结合粒子滤波器确定最终的目标定位，对候选目标的每一个局部图像块重构稀疏系数并经过粒子滤波完成跟踪目标最优位置的选择。通过多尺度图像整体字典与粒子滤波器结合的目标定位方法，候选目标的状态估计通过一个整合了判别式模型以及生产模型的多尺度图像整体字典进行分析并结合粒子滤波器来提升跟踪精度。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种图像目标跟踪的方法，其特征在于，包括以下步骤：

(1)获取第一帧图像，根据不同尺度的局部图像块的外观模型集合成图像整体字典，计算局部图像块的稀疏系数；

(2)采集图像的当前状态为候选目标，建立粒子滤波器和相似度函数，通过当前状态粒子滤波器框架中的相似度函数，计算候选目标的估计位置；

(3)以候选目标的估计位置为依据，进行局部图像块的稀疏系数重算，完成目标最后的定位位置。

2.根据权利要求1所述的一种图像目标跟踪的方法，其特征在于，所述步骤(1)中的图像整体字典包括：

在所述第一帧图像的外观模型内通过滑动不同大小的窗口来采样局部图像块，建立图像整体字典： $D^s=\left\{d_j^s\right|j=1:n\&times;K,s=1,2,...,L,r=2\&times;s+2\}.$

其中，表示第j列图像块，d^s是图像块维数，r表示尺度。在不同尺度下从候选目标区域抽取局部图像块，根据不同的图像块建立图像整体字典D^s。

3.根据权利要求1所述的一种图像目标跟踪的方法，其特征在于，所述步骤(1)中的稀疏系数为： $a_j^s=\arg \min \left|\right|a_r^s\left|\right|subjectto\left|\right|p_j^s-D^s{a}_j^s\left|\right|<\mathrm{\&epsiv;}.$

4.根据权利要求1所述的一种图像目标跟踪的方法，其特征在于，所述步骤(2)中计算候选目标的估计位置的方法，包括：

所述粒子滤波器为估计和扩散状态变化后验概率密度函数提供了环境框架，给定直到t时刻的目标观察状态y_s＝{y₁,...,y_r}；

以当前状态S_t通过最大化后验概率来估计：s_t＝argmaxp(S_t|y_tr)；

其中p(S_t|y_tr)为后验概率函数，即给定状态S_t下，y_t的相似度函数。

5.根据权利要求1所述的一种图像目标跟踪的方法，其特征在于，所述步骤(3)中稀疏系数重算的方法，包括：

在t时刻，所述候选目标通过所述目标的估计位置的每一个局部图像块通过以下方式重新计算对应的稀疏系数：

${\hat{a}}_j^s=\arg \min \left|\right|a_r^s\left|\right|subjectto\left|\right|p_j^s-D^s{a}_j^s\left|\right|<\mathrm{\&epsiv;}.$