CN104182989A - 一种基于压缩传感的粒子滤波视觉跟踪方法 - Google Patents

Abstract

本发明属于计算机视觉领域，涉及一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤：视频图像采集；视频图像预处理；初始化；状态空间划分；重要性抽样；峰值跟踪；更新重要性权值；状态估计和重采样。本发明有效地降低了问题的复杂度；可以并行实现加快实现速度；保证收敛性并确定目标的真实位置的问题；有效地缓解了误差累计，增加了样本的多样性。

Description

一种基于压缩传感的粒子滤波视觉跟踪方法

技术领域

本发明属于计算机视觉领域，具体涉及一种融合压缩传感的粒子滤波算法在视觉跟踪中的应用，实现对视频中感兴趣的运动目标的跟踪，从而获得目标的位置、速度以及运动轨迹等运动信息。

背景技术

视觉跟踪是计算机视觉研究中的一项核心技术，也是智能监控、人机交互、智能交通和精确制导等领域的关键应用技术。虽然视觉跟踪技术现在仍然面临着许多的困难，包括图像本身所带的噪声，跟踪场景中存在光照变化，目标被部分或全部遮挡等方面，但是实现一个具有鲁棒、快速和准确的视觉跟踪系统仍然是视觉跟踪技术努力的方向，而且其涉及图像处理、模式识别、最优化理论等学科，是一个兼具实际意义和理论价值的研究主题。

常见的视觉跟踪算法包括基于区域的跟踪、基于变形模板的跟踪、基于特征的跟踪和基于模型的跟踪，而按照跟踪方法设计的思路，现有的跟踪方法可以分为确定性跟踪和随机跟踪两类。目前对于运动目标的跟踪算法研究热点主要包括Mean-shift和粒子滤波算法两种方法，它们也分别是确定性跟踪和随机跟踪的典型代表。其中，Mean-shift算法是一种无参数核密度估计方法，具有实时性、鲁棒性以及易于实现的特点，运算效率更高；粒子滤波算法能够处理非高斯、非线性的问题，且能够保持状态的多模态假设，跟踪性能更好。

粒子滤波跟踪算法能将目标的任何运动信息转化为贝叶斯理论框架下的状态估计问题，并且贝叶斯理论框架适合将目标的多个测量信息融合到跟踪算法中以适应更加复杂的跟踪环境，而面对目标快速运动、遮挡等场景时，粒子滤波算法的跟踪结果比均值漂移等确定性跟踪方法更为鲁棒，这些都是近年来基于粒子滤波的视觉跟踪算法成为随机跟踪方法研究中的热点问题的原因。而粒子滤波跟踪算法的缺陷主要集中在计算机开销、粒子退化、对运动目标和观测建模几个方面，因此，对于以上几点的处理将决定着基于粒子滤波的视觉跟踪方法跟踪性能。

基于粒子滤波视觉跟踪的核心思想是利用一组加权的随机样本(也称为粒子)近似地表示视觉目标后验概率，视觉跟踪由贝叶斯迭代滤波过程实现。由粒子滤波原理可知，基于粒子滤波的视觉跟踪算法应该包含三个基本步骤：视觉目标状态采样与转移、状态样本加权和状态估计输出。在基于粒子滤波的视觉跟踪理论框架中，状态转移模型的选择和观测概率分布计算是非常重要的，而视觉特征的统计描述又是计算观测概率分布的关键。

压缩传感，也称作压缩感知，是一种利用稀疏的或可压缩的信号进行信号重建的技术。压缩传感理论在获取信号的同时就对数据进行适当压缩，即在信号获取和处理过程中将传统的数据采集和数据压缩合二为一，从而有效地解决了奈奎斯特采样定理计算资源浪费的问题。压缩传感的基本思想是如果一个未知的信号在已知的正交基或者过完备的正交基上是稀疏的，或者可压缩的，那么采用非自适应线性投影保持信号的原始结构，通过数值最优化问题就可以准确重构原始信号，这大大减少了重构信号所需要的采样值数目。压缩感知能从少量的非相关观测值中获取可压缩信号的信息决定了其在压缩处理、数据重构等领域有着广阔的应用前景。

发明内容

本发明以视频序列为研究对象，通过对采集的视频进行预处理还原图像原始信息，并在峰值跟踪粒子滤波算法的基础上，利用高维状态向量稀疏模式变化缓慢的特点，融合压缩传感重构算法代替重要性采样进行粒子采样，并根据分区方式判断的目标遮挡程度对重构算法的优化问题进行修正，同时采用权值选择的方式获得估计状态，从而实现对运动目标的跟踪。

实现本发明目的的技术方案是：一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤：

步骤1视频图像采集：通过摄像机和图像采集设备采集视频图像信息；

步骤2视频图像预处理：对从步骤1中获得的视频图像进行光照校正、图像降噪等预处理，还原视频图像原始信息；

步骤3初始化：对从步骤2中获得的处理过后的视频图像的进行初始化，从初始分布中抽样得到初始粒子集

步骤4状态空间划分：将当前帧的状态空间划分为维数很小的有效状态S_t和剩余状态L_t，其中剩余状态L_t是离散空间信号，其稀疏模式随时间变化缓慢，并利用压缩传感理论将剩余状态L_t表示为稀疏向量Λ_t和其支撑集Sup(Λ_t)的集合；

步骤5重要性抽样：对从步骤4中获得的有效状态S_t和稀疏向量Λ_t的支撑集Sup(Λ_t)分别进行重要性采样；

步骤6峰值跟踪：对从步骤4中获得的剩余状态L_t的稀疏向量Λ_t进行峰值跟踪，根据分区方式判断目标遮挡程度调整重构算法的优化目标，并求得符合优化目标的向量并对支撑集Sup(Λ_t)进行更新；

步骤7更新重要性权值：对从步骤5和步骤6中采样的粒子计算重要性权值，并将其归一化处理得到归一化重要性权值

步骤8状态估计：对从步骤7中得到权值加以选择并以最小均方误差估计的方式得到估计状态；

步骤9重采样：判断是否需要重采样，若需要则根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一帧，t＝t+1，重新回到步骤4。

其中，所述峰值跟踪包括下列步骤：

步骤61对感兴趣区域进行分区并判断目标遮挡的程度；

步骤62根据遮挡的程度判断目标是否存在遮挡，若存在遮挡执行步骤63，否则执行步骤64；

步骤63将遮挡产生的异常值V_s当作观测噪声的一部分，确定优化目标对异常值的处理项γ′||V_s||₁，γ′表示补偿参数；

步骤64确定合适的优化目标，即不存在遮挡时，优化目标为:

$-\log P\left(Y_t\right|S_t^i,\mathrm{\Φ\Λ})+\mathrm{\β}\frac{{\left|\right|{(\mathrm{\Λ}-{\mathrm{\Λ}}_{t-1}^i)}_{\mathrm{Sup}\left({\mathrm{\Λ}}_t\right)}\left|\right|}_2^2}{2{\mathrm{\σ}}_l^2}+\mathrm{\γ}{\left|\right|{\mathrm{\Λ}}_{\mathrm{Sup}{\left({\mathrm{\Λ}}_t\right)}^c}\left|\right|}_1$

其中Y_t表示观测向量，Φ为测量矩阵，表征信号变化的程度，β和γ均表示补偿参数；当存在遮挡时对优化目标增加γ′||V_s||₁项；

步骤65利用重构算法找到符合优化目标的向量

步骤66更新支撑集Sup(Λ_t)＝{j:|(Λ_t)_j|>α}，α为更新阈值。

所述步骤61中分区判断目标遮挡的程度，具体包括：

使用Bhattacharyya距离计算目标与模板之间的相似度ρ，并根据光照情况下目标运动时受遮挡影响的情况，将目标区域划分为九个区{R₁,R₂,...,R₉}，并计算各个子区的相似度{ρ₁,ρ₂,...,ρ₉}，则遮挡因子ζ为：

$\mathrm{\&zeta;}=\left\{\begin{array}{c}1,{\mathrm{\&theta;}}_{\mathrm{th}}\&GreaterEqual;{\mathrm{\&theta;}}_{\mathrm{th}}\\ 0,{\mathrm{\&theta;}}_{\mathrm{th}}<{\mathrm{\&theta;}}_{\mathrm{th}}\end{array}\right.$

其中，阈值θ_th在不同场景可根据经验设定，ζ＝1表示目标受遮挡，ζ＝0表示目标受遮挡。

所述状态估计包括下列步骤：

步骤81对采样粒子的权值加以选择，确定合适的粒子个数N′；

步骤82根据确定的粒子个数，以最小均方误差估计的方式得到估计状态：

所述步骤81中根据权值选择确定合适的粒子个数，具体包括：

对采样粒子的权值按从大到小的方式进行排序，选择的粒子数量N′规则如下：如果权值阈值W_th大于所有粒子的权值，则选择权值最大的粒子进行状态估计；如果权值阈值W_th在第1个到第N_p个粒子之间，则选择大于权值阈值W_th的所有粒子进行状态估计；其他情况，则选择N_p个粒子进行状态估计，N_p表示一般情况下大权值的粒子个数。

本发明利用视觉跟踪的动态系统模型中高维状态向量稀疏性的特点，融合压缩传感中部分支撑集已知条件下的重构算法进行峰值跟踪，有效地降低了问题的复杂度。同时，对于每一个粒子的凸优化问题的求解是互相独立的，可以并行实现加快实现速度。采用分区方式判断目标遮挡程度并进行相应的调整有效地处理了目标遮挡后及时地恢复跟踪，保证收敛性并确定目标的真实位置的问题。引入权值选择的状态估计输出方式,有效地缓解了误差累计，增加了样本的多样性。

附图说明

图1视频图像采集流程图。

图2视频图像预处理流程图。

图3初始化流程图。

图4状态空间划分流程图。

图5重要性抽样流程图。

图6峰值跟踪流程图

图7更新重要性权值流程图。

图8状态估计流程图。

图9重采样流程图。

图10分区示意图。

图11权值选择示意图。

具体实施方式

下面结合附图做进一步说明。

一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤：

步骤1视频图像采集：通过摄像机和图像采集设备采集视频图像信息；

步骤2视频图像预处理：对从步骤1中获得的视频图像进行光照校正、图像降噪等预处理，还原视频图像包括观测变量Y_t在内的原始信息；

步骤3初始化：对从步骤2中获得的处理过后的视频图像的第一帧进行初始化，从初始分布中抽样得到初始粒子集

步骤4状态空间划分：将当前帧的状态空间划分为维数很小的有效状态S_t和剩余状态L_t，其中剩余状态L_t是离散空间信号，其稀疏模式随时间变化缓慢，并利用压缩传感理论将剩余状态L_t表示为稀疏向量Λ_t和其支撑集Sup(Λ_t)的集合；

步骤5重要性抽样：对从步骤4中获得的有效状态S_t和稀疏向量Λ_t的支撑集Sup(Λ_t)分别进行重要性采样；

步骤6峰值跟踪：对从步骤4中获得的剩余状态L_t的稀疏向量Λ_t进行峰值跟踪，根据分区方式判断目标遮挡程度调整重构算法的优化目标，并求得符合优化目标的向量并对支撑集Sup(Λ_t)进行更新；

步骤7更新重要性权值：对从步骤5和步骤6中采样的粒子计算重要性权值，并对其归一化处理得到归一化重要性权值

步骤8状态估计：对从步骤7中得到权值加以选择并以最小均方误差估计的方式得到估计状态；

步骤9重采样：判断是否需要重采样，若需要则根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一帧，t＝t+1，重新回到步骤4。

如图1所示，步骤1视频图像采集流程包括下列步骤：

步骤S11观测点选取，安置摄像设备；

步骤S12打开摄像头，获取设备参数；

步骤S13设置视频的制式和帧格式；

步骤S14开始视频采集；

步骤S15获取视频图像。

如图2所示，步骤2视频图像预处理的流程包括下列步骤：

步骤S21对输入的视频图像进行光照校正；

步骤S22对输入的视频图像进行降噪处理。

如图3所示，步骤3初始化的流程包括下列步骤：

步骤S31手动选择处理过后的视频图像的第一帧的感兴趣区域；

步骤S32获得当前帧的先验分布P(X₀)；

步骤S33从P(X₀)中抽样得到初始粒子集

如图4所示，步骤4状态空间划分的流程包括下列步骤：

步骤S41将当前帧状态空间划分为有效状态S_t和剩余状态L_t；

步骤S42根据压缩传感利用测量矩阵Φ得到剩余状态L_t的稀疏向量Λ_t；

步骤S43求得稀疏向量Λ_t的支撑集Sup(Λ_t)＝{j:(Λ_t)_j≠0}。

如图5所示，步骤5重要性抽样的流程包括下列步骤：

步骤S51对有效状态S_t利用重要性函数进行重要性采样；

步骤S52对稀疏向量Λ_t的支撑集Sup(Λ_t)利用变化模型进行重要性采样。

如图6所示，步骤6峰值跟踪的流程包括下列步骤：

步骤S61对感兴趣区域进行分区并确定目标遮挡的程度；

步骤S62根据遮挡程度判断目标是否存在遮挡，若存在遮挡执行步骤S63，否则执行步骤S64；

步骤S63将遮挡产生的异常值V_s当作观测噪声的一部分，确定优化目标对异常值的处理项γ′||V_s||₁，γ′表示补偿参数；

步骤S64确定合适的优化目标，即不存在遮挡时，优化目标为:

$-\log P\left(Y_t\right|S_t^i,\mathrm{\&Phi;\&Lambda;})+\mathrm{\&beta;}\frac{{\left|\right|{(\mathrm{\&Lambda;}-{\mathrm{\&Lambda;}}_{t-1}^i)}_{\mathrm{Sup}\left({\mathrm{\&Lambda;}}_t\right)}\left|\right|}_2^2}{2{\mathrm{\&sigma;}}_l^2}+\mathrm{\&gamma;}{\left|\right|{\mathrm{\&Lambda;}}_{\mathrm{Sup}{\left({\mathrm{\&Lambda;}}_t\right)}^c}\left|\right|}_1$

其中Y_t表示观测向量，Φ为测量矩阵，表征信号变化的程度，β和γ均表示补偿参数；当存在遮挡时对优化目标增加γ′||V_s||₁项；

步骤S65利用重构算法找到符合优化目标的向量

步骤S66更新支撑集Sup(Λ_t)＝{j:|(Λ_t)_j|>α}，α为更新阈值。

所述步骤S61中分区判断目标遮挡的程度，具体包括：

使用Bhattacharyya距离计算目标与模板之间的相似度ρ，并根据光照情况下目标运动时受遮挡影响的情况，将目标区域划分为如图10所示的九个区{R₁,R₂,...,R₉}，并计算各个子区的相似度{ρ₁,ρ₂,...,ρ₉}，则遮挡因子ζ为：

$\mathrm{\&zeta;}=\left\{\begin{array}{c}1,{\mathrm{\&theta;}}_{\mathrm{th}}\&GreaterEqual;{\mathrm{\&theta;}}_{\mathrm{th}}\\ 0,{\mathrm{\&theta;}}_{\mathrm{th}}<{\mathrm{\&theta;}}_{\mathrm{th}}\end{array}\right.$

其中，阈值θ_th在不同场景可根据经验设定，ζ＝1表示目标受遮挡，ζ＝0表示目标受遮挡。

如图7所示，步骤7更新重要性权值的流程包括下列步骤：

步骤S71对从采样的粒子计算重要性权值，重要性权值的递推公式为：

$W_t^i==W_{t-1}^{i}P\left(Y_t\right|S_t^i,\mathrm{\&Phi;\&Lambda;})P\left({\mathrm{\&Lambda;}}_t^i\right|{\mathrm{\&Lambda;}}_{t-1}^i,{\mathrm{Sup}}^i\left({\mathrm{\&Lambda;}}_t\right))$

步骤S72归一化重要性权值，得到归一化权值归一化公式为：

如图8所示，步骤8状态估计的流程包括下列步骤：

步骤S81对采样粒子的权值加以选择，确定合适的粒子个数N′；

步骤S82根据确定的粒子个数，以最小均方误差估计的方式得到估计状态：

所述步骤S81中根据权值选择确定合适的粒子个数，具体包括：

对采样粒子的权值按从大到小的方式进行排序，如图11所示，选择的粒子数量N′规则如下：如果权值阈值W_th大于所有粒子的权值，则选择权值最大的粒子进行状态估计；如果权值阈值W_th在第1个到第N_p个粒子之间，则选择大于权值阈值W_th的所有粒子进行状态估计；其他情况，则选择N_p个粒子进行状态估计，N_p表示一般情况下大权值的粒子个数。

如图9所示，步骤9重采样的流程包括下列步骤：

步骤S91计算有效粒子数N_eff，公式为：

$N_{\mathrm{eff}}=\frac{N}{1+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_t{\left(X_{1:t}\right)}^2}$

步骤S92根据有效粒子N_eff和阈值N_th判断是否需要重采样，即N_eff小于N_th时，意味着存在着较严重的退化现象，需要进行重采样；否则直接转向步骤S94；

步骤S93根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集；

步骤S94判断是否是视频图像的最后一帧，若不是，t＝t+1，重新回到步骤4，否则结束跟踪。

Claims (9)

1.一种基于压缩传感的粒子滤波视觉跟踪方法，包括对采集的视频进行预处理，利用重要性抽样和基于压缩传感的峰值跟踪获取一组加权的随机样本对视觉目标后验概率进行近似表示，并通过分区遮挡判断加以修正，得到状态最小方差分布，从而以基于权值选择的状态估计输出的方式获得感兴趣目标的运动信息，实现对目标的跟踪，所述视觉跟踪方法执行以下步骤： 

步骤1视频图像采集：通过摄像机和图像采集设备采集视频图像信息； 

步骤2视频图像预处理：对从步骤1中获得的视频图像进行光照校正、图像降噪等预处理，还原视频图像原始信息； 

步骤3初始化：对从步骤2中获得的处理过后的视频图像的进行初始化，从初始分布中抽样得到初始粒子集

步骤4状态空间划分：将当前帧的状态空间划分为维数很小的有效状态S_t和剩余状态L_t，其中剩余状态L_t是离散空间信号，其稀疏模式随时间变化缓慢，并利用压缩传感理论将剩余状态L_t表示为稀疏向量Λ_t和其支撑集Sup(Λ_t)的集合； 

步骤5重要性抽样：对从步骤4中获得的有效状态S_t和稀疏向量Λ_t的支撑集Sup(Λ_t)分别进行重要性采样； 

步骤6峰值跟踪：对从步骤4中获得的剩余状态L_t的稀疏向量Λ_t进行峰值跟踪，根据分区方式判断目标遮挡程度调整重构算法的优化目标，并求得符合优化目标的向量并对支撑集Sup(Λ_t)进行更新； 

步骤7更新重要性权值：对从步骤5和步骤6中采样的粒子计算重要性权值，并将其归一化处理得到归一化重要性权值

步骤8状态估计：对从步骤7中得到权值加以选择并以最小均方误差估计的方式得到估计状态； 

步骤9重采样：判断是否需要重采样，若需要则根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一帧，t＝t+1，重新回到步骤4； 

其中，所述峰值跟踪包括下列步骤： 

步骤61对感兴趣区域进行分区并判断目标遮挡的程度； 

步骤62根据遮挡的程度判断目标是否存在遮挡，若存在遮挡执行步骤63，否则执行步骤64； 

步骤63将遮挡产生的异常值V_s当作观测噪声的一部分，确定优化目标对异常值的处理项γ′||V_s||₁，γ′表示补偿参数； 

步骤64确定合适的优化目标，即不存在遮挡时，优化目标为: 

其中Y_t表示观测向量，Φ为测量矩阵，表征信号变化的程度，β和γ均表示补偿参数；当存在遮挡时对优化目标增加γ′||V_s||₁项； 

步骤65利用重构算法找到符合优化目标的向量

步骤66更新支撑集Sup(Λ_t)＝{j:|(Λ_t)_j|>α}，α为更新阈值； 

所述状态估计包括下列步骤： 

步骤81对采样粒子的权值加以选择，确定合适的粒子个数N′； 

步骤82根据确定的粒子个数，以最小均方误差估计的方式得到估计状态： 

2.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，步骤61中分区判断目标遮挡的程度，具体包括： 

使用Bhattacharyya距离计算目标与模板之间的相似度ρ，并根据光照情况下目标运动时受遮挡影响的情况，将目标区域划分为九个区{R₁,R₂,...,R₉}，并计算各个子区的相似度{ρ₁,ρ₂,...,ρ₉}，则遮挡因子ζ为： 

其中，阈值θ_th在不同场景可根据经验设定，ζ＝1表示目标受遮挡，ζ＝0表示目标受遮挡； 

步骤81中根据权值选择确定合适的粒子个数，具体包括： 

对采样粒子的权值按从大到小的方式进行排序，选择的粒子数量N′规则如下：如果权值阈值W_th大于所有粒子的权值，则选择权值最大的粒子进行状态估计；如果权值阈值W_th在第1个到第N_p个粒子之间，则选择大于权值阈值W_th的所有粒子进行状态估计；其他情况，则选择N_p个粒子进行状态估计，N_p表示一般情况下大权值的粒子个数。 

3.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所 述步骤1视频图像采集流程包括下列步骤： 

步骤11观测点选取，安置摄像设备； 

步骤12打开摄像头，获取设备参数； 

步骤13设置视频的制式和帧格式； 

步骤14开始视频采集； 

步骤15获取视频图像。 

4.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤2视频图像预处理的流程包括下列步骤： 

步骤21对输入的视频图像进行光照校正； 

步骤22对输入的视频图像进行降噪处理。 

5.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤3初始化的流程包括下列步骤： 

步骤31手动选择处理过后的视频图像的第一帧的感兴趣区域； 

步骤32获得当前帧的先验分布P(X₀)； 

步骤33从P(X₀)中抽样得到初始粒子集

6.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤4状态空间划分的流程包括下列步骤： 

步骤41将当前帧状态空间划分为有效状态S_t和剩余状态L_t； 

步骤42根据压缩传感利用测量矩阵Φ得到剩余状态L_t的稀疏向量Λ_t； 

步骤43求得稀疏向量Λ_t的支撑集Sup(Λ_t)＝{j:(Λ_t)_j≠0}。 

7.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤5重要性抽样的流程包括下列步骤： 

步骤51对有效状态S_t利用重要性函数进行重要性采样； 

步骤52对稀疏向量Λ_t的支撑集Sup(Λ_t)利用变化模型进行重要性采样。 

8.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤7更新重要性权值的流程包括下列步骤： 

步骤71对从采样的粒子计算重要性权值，重要性权值的递推公式为： 

步骤72归一化重要性权值，得到归一化权值归一化公式为： 

9.根据权利要求1所述的一种基于压缩传感的粒子滤波视觉跟踪方法，其特征是，所述步骤9重采样的流程包括下列步骤： 

步骤91计算有效粒子数N_eff，公式为： 

步骤92根据有效粒子N_eff和阈值N_th判断是否需要重采样，即N_eff小于N_th时，意味着存在着较严重的退化现象，需要进行重采样；否则直接转向步骤94； 

步骤93根据粒子的归一化重要性权值从粒子集中重新抽取粒子，并形成新的粒子集； 

步骤94判断是否是视频图像的最后一帧，若不是，t＝t+1，重新回到步骤4，否则结束跟踪。