CN104392467A - 一种基于压缩感知的视频目标跟踪方法 - Google Patents

Abstract

本发明涉及一种基于压缩感知的视频目标跟踪方法，首先采用压缩感知理论生成稀疏投影矩阵，对采样得到的正负样本进行稀疏投影降维，创建贝叶斯分类器；当下一帧图像到来时，在上一帧得到的目标位置周围进行采样，使用分类器分类得到最大可能的目标位置，更新目标位置，更新分类器参数。本发明方法能够有效克服因目标特征变化引起的跟踪不稳定问题，使用压缩感知理论将高维信息压缩至低维，有效降低计算复杂度，缩短跟踪时间。

Description

一种基于压缩感知的视频目标跟踪方法

技术领域

本发明属于模式识别及计算机视觉领域，尤其涉及一种基于压缩感知的视频目标跟踪方法。

背景技术

目标跟踪具有很多实际的应用，在人机交互、视频监控、行为分析等领域有广泛的应用，是计算机视频监控领域研究的关键技术之一。目前国内外学者关注的跟踪问题主要是集中在场景拥挤、相似特征场景干扰、遮挡、目标外观变化等情况下的跟踪鲁棒性、准确性和快速性提高上。

在传统的跟踪方法上，由于摄像机捕获大量结构完整且冗余度很高的数据，造成数据传输时间长，信息处理计算量大，很难达到快速实时跟踪的目的。如果在数据传送至通信信道前对获取的图像进行预处理，能够大幅度减少数据冗余，加快传输速度。同时，为了提高跟踪的稳定性和准确率，需要目标特征的大量信息，导致处理速度减慢，计算量增大，跟踪实时性减弱。

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压缩感知的视频目标跟踪方法，避免因为图像特征信息冗余导致的处理速度减慢等问题。

技术方案

一种基于压缩感知的视频目标跟踪方法，其特征在于步骤如下：

初始化阶段：

步骤A1、对任意一段视频图像中的第t帧标记出目标位置I_t(w,h)，其中w(x₁,y₁)与h(x₂,y₂)表示目标的两个对角坐标；

步骤A2、生成稀疏投影矩阵R

$R\left(r_{\mathrm{ij}}\right)=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$ 其中的s取2或3；

设置参数：学习因子λ，正样本范围α，负样本范围ζ,β，目标检测位置γ；

步骤A3、在目标I_t(w,h)的周围，采样正样本和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t||＜β}，其中α＜ζ＜β，α,ζ,β初始参数，z表示样本；

步骤A4、稀疏投影得到低维样本的特征F＝R·D；

步骤A5、创建分类器

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

其中：正样本 $p\left(v_i\right|y=1)~N({\mathrm{\μ}}_i^1,{\mathrm{\σ}}_i^1),$ 负样本 $p\left(v_i\right|y=0)~N({\mathrm{\μ}}_i^0,{\mathrm{\σ}}_i^0);$ v表示特征向量，y∈{0,1}，y＝1表示目标，y＝0表示背景；

跟踪阶段：

步骤B1、在t+1帧，采样D^γ＝{z|||I(z)-I_t||＜γ}，稀疏投影得到低维特征，I_t表示t帧的目标位置；

步骤B2、使用A5创建的分类器对步骤B1中的样本进行分类，

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=0}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

得到最大的H对应的样本认为是目标的最大可能位置I_t+1(w,h)；

步骤B3、在目标I_t+1(w,h)的周围，采样正样本D^α＝{z|||I(z)-I_t+1||＜α}和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t+1||＜β}，稀疏投影得到低维特征F＝R·D；

步骤B4、更新分类器参数：

${\mathrm{\μ}}_i^1\←\mathrm{\λ}{\mathrm{\μ}}_i^1+(1-\mathrm{\λ}){\mathrm{\μ}}^1$

${\mathrm{\σ}}_i^1=\sqrt{{\mathrm{\λ}\left({\mathrm{\σ}}_i^1\right)}^2+(1-\mathrm{\λ}){{\left({\mathrm{\σ}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ})({\mathrm{\μ}}_i^1-{\mathrm{\μ}}^1)}^2}$

其中λ>0表示学习因子；

${\mathrm{\σ}}^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{\left(v_i\left(k\right){-\mathrm{\μ}}^1\right)}^2}$

${\mathrm{\μ}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right)$

步骤B5、重复步骤B1至步骤B4，继续进行目标跟踪。

有益效果

本发明提出的一种基于压缩感知的视频目标跟踪方法，首先采用压缩感知理论生成稀疏投影矩阵，对采样得到的正负样本进行稀疏投影降维，创建贝叶斯分类器；当下一帧图像到来时，在上一帧得到的目标位置周围进行采样，使用分类器分类得到最大可能的目标位置，更新目标位置，更新分类器参数。本发明方法能够有效克服因目标特征变化引起的跟踪不稳定问题，使用压缩感知理论将高维信息压缩至低维，有效降低计算复杂度，缩短跟踪时间。

本发明方法优点在于：第一：使用压缩感知理论中的稀疏投影矩阵，有效降低样本的信息量，并且包含了95％的原始样本信息；第二：使用积分图能够快速计算出样本的harr特征；第三：使用在线更新的方式，目标特征发生变化后能迅速更新，提高跟踪的稳定性；第四，使用朴素贝叶斯分类器，计算复杂度低，分类速度快。

附图说明

图1：本发明方法视频目标跟踪初始化流程；

图2：本发明方法视频目标跟踪的跟踪流程

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：DSP6000系列DM642数字信号处理器，运行的软件环境是：Code Composer Studio 3.3+BIOS+TI IMG LIB。

采用C程序设计语言实现了本发明提出的方法，首先在PC平台上实验验证，验证成功后在数字信号处理器上移植调试。PC平台使用320×240像素视频序列进行跟踪，使用Visual Studio+Open CV软件平台进行实验。DSP平台使用CCD数字摄像头进行图像采集，图像大小576×720像素，采用BIOS系统多任务处理，将图像采集转码，图像输出显示，目标跟踪分为三个任务，同时进行处理。本发明以DSP平台进行处理说明具体实施步骤。

本发明具体实施如下：

图像采集阶段：

CCD摄像头采集576×720像素的彩色图像，进行解码和格式转化，去掉彩色分量，保留灰度信息，存储在数据缓冲区中。将缓冲区数据进行目标跟踪。

跟踪初始化阶段：

步骤A1、对任意一段视频图像，对t帧标记出目标位置I_t(w,h)，其中w(x₁,y₁)与h(x₂,y₂)表示目标的两个对角坐标；

步骤A2、生成稀疏投影矩阵R

$R\left(r_{\mathrm{ij}}\right)=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$ (其中s随机取2或3)，

设置参数：学习因子λ＝0.85，正样本范围α＝4，负样本范围ζ＝8,β＝37.5，目标检测位置γ＝1.5；

步骤A3、在目标I_t(w,h)的周围，采样正样本D^α＝{z|||I(z)-I_t||＜α}和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t||＜β}，其中α＜ζ＜β，α,ζ,β初始参数，z表示样本；

步骤A4、稀疏投影得到低维样本的特征F＝R·D；

步骤A5、创建分类器

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

正样本 $p\left(v_i\right|y=1)~N({\mathrm{\μ}}_i^1,{\mathrm{\σ}}_i^1),$ 负样本 $p\left(v_i\right|y=0)~N({\mathrm{\μ}}_i^0,{\mathrm{\σ}}_i^0),$

其中v表示特征向量，y∈{0,1}，y＝1表示目标，y＝0表示背景。

跟踪阶段：

步骤B1、在t+1帧，采样D^γ＝{z|||I(z)-I_t||＜γ}，稀疏投影得到低维特征，I_t表示t帧的目标位置；

步骤B2、使用A5创建的分类器对步骤B1中的样本进行分类，

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=0}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

得到最大的H对应的样本认为是目标的最大可能位置I_t+1(w,h)；

步骤B3、在目标I_t+1(w,h)的周围，采样正样本D^α＝{z|||I(z)-I_t+1||＜α}和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t+1||＜β}，稀疏投影得到低维特征F＝R·D；

步骤B4、更新分类器参数：

${\mathrm{\μ}}_i^1\←\mathrm{\λ}{\mathrm{\μ}}_i^1+(1-\mathrm{\λ}){\mathrm{\μ}}^1$

${\mathrm{\σ}}_i^1=\sqrt{{\mathrm{\λ}\left({\mathrm{\σ}}_i^1\right)}^2+(1-\mathrm{\λ}){{\left({\mathrm{\σ}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ})({\mathrm{\μ}}_i^1-{\mathrm{\μ}}^1)}^2}$

其中λ>0表示学习因子，

${\mathrm{\σ}}^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{\left(v_i\left(k\right){-\mathrm{\μ}}^1\right)}^2}$

${\mathrm{\μ}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right)$

步骤B5、重复步骤B1至步骤B4，继续跟踪目标。

图像显示阶段：

将跟踪目标得到的图像数据编码为PAL格式，在数据显示设备中显示所跟踪目标的轨迹。

Claims (1)

1.一种基于压缩感知的视频目标跟踪方法，其特征在于步骤如下：

初始化阶段：

步骤A1、对任意一段视频图像中的第t帧标记出目标位置I_t(w,h)，其中w(x₁,y₁)与h(x₂,y₂)表示目标的两个对角坐标；

步骤A2、生成稀疏投影矩阵R

$R\left(r_{\mathrm{ij}}\right)=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$ 其中的s取2或3；

设置参数：学习因子λ，正样本范围α，负样本范围ζ,β，目标检测位置γ；

步骤A3、在目标I_t(w,h)的周围，采样正样本和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t||＜β}，其中α＜ζ＜β，α,ζ,β初始参数，z表示样本；

步骤A4、稀疏投影得到低维样本的特征F＝R·D；

步骤A5、创建分类器

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

其中：正样本 $p\left(v_i\right|y=1)~N({\mathrm{\μ}}_i^1,{\mathrm{\σ}}_i^1),$ 负样本 $p\left(v_i\right|y=0)~N({\mathrm{\μ}}_i^0,{\mathrm{\σ}}_i^0),$ v表示特征向量，y∈{0,1}，y＝1表示目标，y＝0表示背景；

跟踪阶段：

步骤B1、在t+1帧，采样D^γ＝{z|||I(z)-I_t||＜γ}，稀疏投影得到低维特征，I_t表示t帧的目标位置；

步骤B2、使用A5创建的分类器对步骤B1中的样本进行分类，

$H\left(v\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$

得到最大的H对应的样本认为是目标的最大可能位置I_t+1(w,h)；

步骤B3、在目标I_t+1(w,h)的周围，采样正样本D^α＝{z|||I(z)-I_t+1||＜α}和负样本D^ζ,β＝{z|ζ＜||I(z)-I_t+1||＜β}，稀疏投影得到低维特征F＝R·D；

步骤B4、更新分类器参数：

${\mathrm{\μ}}_i^1\←\mathrm{\λ}{\mathrm{\μ}}_i^1+(1-\mathrm{\λ}){\mathrm{\μ}}^1$

${\mathrm{\σ}}_i^1=\sqrt{\mathrm{\λ}{\left({\mathrm{\σ}}_i^1\right)}^2+(1-\mathrm{\λ}){\left({\mathrm{\σ}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}^1)}^2}$

其中λ>0表示学习因子；

${\mathrm{\σ}}^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}^1)}^2}$

${\mathrm{\μ}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right)$

步骤B5、重复步骤B1至步骤B4，继续进行目标跟踪。