CN103514600B - 一种基于稀疏表示的红外目标快速鲁棒跟踪方法 - Google Patents

Abstract

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。

Description

一种基于稀疏表示的红外目标快速鲁棒跟踪方法

技术领域

本发明涉及一种基于稀疏表示的红外目标快速鲁棒跟踪方法。

背景技术

红外目标跟踪是红外预警系统、跟踪系统、精确制导系统中的关键技术。由于远距离下目标成像面积小，对比度较低，边缘模糊，尺寸及形状变化不定，可检测信号相对较弱，特别是在非平稳复杂背景干扰下，背景与目标常交叠在一起，成像的信噪比较低，使得复杂背景下红外目标的跟踪变得很困难。

红外图像序列的目标跟踪算法，大致可以分为确定性方法和随机性方法两大类。确定性方法，比如Mean Shift算法等，是通过寻找目标的最优匹配来实现跟踪。该方法具有实时性好、目标匹配迅速等优点，但在遮挡等情况下容易陷入局部极值，鲁棒性较差。随机性方法有卡尔曼滤波，粒子滤波等算法，此类方法是通过对目标的状态进行估计而实现跟踪。卡尔曼滤波是有效的线性最优估计技术，但不能处理非线性和非高斯的情况。而粒子滤波方法具有较强的抗遮挡和背景干扰的能力，但计算量比较大，存在退化现象。

近两年，基于稀疏表示理论的目标跟踪方法得到了极大的重视，该方法将目标跟踪问题转化为稀疏求解问题，取得了较好的效果，为目标跟踪问题提供了一个新的求解思路。经典的基于稀疏表示目标跟踪方法的基本思想是以目标模板构建超完备字典，通过粒子滤波框架得到候选目标，通过计算L₁范数最小化进行稀疏求解，计算其重构误差并得到每个粒子的概率，从而实现目标的跟踪。这种方法充分利用了图像的稀疏表示性质中对噪声和遮挡不敏感的特性，可以有效地减弱背景杂波和噪声对于跟踪算法的不利影响，提高算法的跟踪性能。但这些算法主要采用图像模板作为字典，而且为了抵抗遮挡影响而引入了琐碎模板，从而使得超完备字典的维数很高，算法复杂度高，计算量大，而且图像原始灰度特征容易受光照以及相似背景等影响。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于稀疏表示的红外目标快速鲁棒跟踪方法，针对红外图像序列中目标与背景的对比度较低、灰度特征易受噪声、光照变化以及相似物体的干扰影响等问题。

技术方案

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 $c=\left[\begin{array}{c}a\\ e\end{array}\right];$

步骤6：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7：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。

有益效果

本发明提出的一种基于稀疏表示的红外目标快速鲁棒跟踪方法，首先，采用一种基于压缩感知的Harr-like特征表示方法进行目标表示，构造用于稀疏表示的字典。其次，对粒子滤波方法产生的候选目标，进行稀疏表示，求解得到表示系数。最后，选取其中重构误差最小的候选目标作为跟踪结果。

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，而且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。

附图说明

图1：本发明方法的流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明在第一帧目标确定的基础上，首先采用一种基于压缩感知的Harr-like特征表示方法进行目标表示，构造用于稀疏表示的字典。其次，对粒子滤波方法产生的候选目标，进行稀疏表示，求解得到表示系数。最后，选取其中重构误差最小的候选目标作为跟踪结果。具体如下步骤如下，流程可参考附图。

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；

2)在第一帧图像目标周围距离为R₁（R₁取2～4）的圆形范围内随机产生m个粒子点(m取8～10)，并记录其坐标(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（R₂取10～15）的圆形外，同样随机产生c个粒子点（c取50～70），并记录其坐标点(x_j,y_j),j＝1,2,…,c；每个粒子点代表了一个目标负样本；

3)将2）步中产生的每个目正、负标样本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，每种尺度的矩形滤波器定义如下：

然后，将每种尺度卷积后的目标块拉成一个维度为w·h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

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，即v＝R·x，其中矩阵R的元素定义为：

其中，矩阵的大小为n×(w·h)²，s＝(w·h)²/4，n取50～70，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}；

5)读取下一帧图像。在上一帧图像目标周围距离为R₃（R₃取5～10）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∈Rⁿ；

6)对目标特征模板V＝{v₁,v₂,…v_m+c}，按公式进行单位化处理；然后，对于每个候选目标d_i，利用目标特征模板（字典）进行表示，即：

$d_i=[v_{+},v_{-}]\left[\begin{array}{c}a\\ e\end{array}\right]=V\·c$

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 $c=\left[\begin{array}{c}a\\ e\end{array}\right];$

7)对于步骤5产生的k个候选目标d_i，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对应的[x,y,w,h]作为目标跟踪的结果；

8)判断是否处理完图像序列的所有帧，若没有，则转到步骤5继续；若处理完，则算法结束。

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。

Claims (7)

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r个粒子点，并记录所有r个粒子点的坐标(x_i,y_i),i＝1,2,…,r；每个粒子点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

(x_j,y_j),j＝1,2,…,c；每个粒子点代表了一个目标负样本；

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(x,y),h_1,2(x,y),…,h_w,h(x,y)}进行卷积运算，每种尺度的矩形滤波器定义如下：

然后，将每种尺度卷积后的目标拉成一个维度为w·h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T对列向量进行压缩，得到低维列向量v∈Rⁿ，v＝T·x，将所有粒子点对应的列向量v∈Rⁿ组合到一起，构成一个大小为n×(r+c)维的目标特征模板V＝{v₁,v₂,...v_{r+ 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_k∈Rⁿ；

步骤6：首先，对步骤4得到的目标特征模板V＝{v₁,v₂,...v_{r+ 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：

$d_i=\[v_{+},v_{-}\]\left[\begin{array}{c}a\\ e\end{array}\right]=V\·p$

其中，v₊和v_-分别表示正样本目标特征模板和负样本目标特征模板，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点[x,y,w,h]作为目标跟踪的结果；

步骤8：当图像序列的所有帧均处理完则结束，若没有处理完，则转到步骤5继续。

2.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述R₁取2～4。

3.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述m取8～10。

4.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述R₂取10～15。

5.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述c取50～70。

6.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述n取50～70。

7.根据权利要求1所述基于稀疏表示的红外目标快速鲁棒跟踪方法，其特征在于：所述R₃取5～10。