CN107784664A - 一种基于k稀疏的快速鲁棒目标跟踪方法 - Google Patents

Abstract

本发明涉及一种基于K稀疏的快速鲁棒目标跟踪方法，通过利用正负模板字典求得稀疏矩阵，并利用稀疏矩阵即K稀疏来求解正负模板字典l₁最优化问题，实现在稀疏度比较小且信噪比相同的情况下，求解稀疏系数的速度为LASSO算法的十倍以上；并且，通过将当前帧图像分割成多个图像样本，并以正则化后的正模板矩阵和负模板矩阵为基础而计算重构误差，利用重构判别误差参数和通过比较直方图获得的样本而实现对当前帧图像中的目标跟踪，由此也提高了目标跟踪的准确率，能够得到更加精确的跟踪结果，并提高跟踪的实时性。

Description

一种基于K稀疏的快速鲁棒目标跟踪方法

技术领域

本发明属于视频图像处理技术领域，特别是涉及一种基于K稀疏的快速鲁棒目标跟踪方法。

背景技术

目标跟踪是对视频或图像序列中的目标状态进行估计的一种方法，在许多机器视觉的应用领域，比如运动分析、行为检测、视频监控、交通监控、医学图像处理等方面起着非常重要的作用。尽管近几十年来目标跟踪技术取得了很大的进展，但是对一些由于亮度变化、相机抖动、目标遮挡、目标形状位置变化等复杂动态场景下，如何提供一个鲁棒性强而且速度快的目标跟踪方法，仍然是计算机视觉领域面临的巨大挑战。

目前，对于目标视觉跟踪来说，主要有两种跟踪模型——形态模型和运动模型。其中，形态模型是用来表示目标对象，并预测和验证目标对象在每一帧的位置；而对于有效的形态模型，其使用颜色和纹理等特征实现目标位置的估计。而运动模型主要是用来预测目标对象可能的位置，其常用卡尔曼滤波器和粒子滤波器实现目标位置的估计。

目前，常见的目标跟踪方法主要有两大类：基于生成式的方法和基于分类式的方法。其中，基于生成式的方法主要是用来在领域中寻找与目标最相似的区域，这种方法对场景变化以及目标遮挡时十分有效。而基于分类式的方法主要是设计一个分类器，把目标区域和背景区域分成两类来实现目标跟踪。而现有文献《Robust object tracking viasparse collaborative model》IEEE，2012，公开了一种稀疏协作型鲁棒目标跟踪方法，很好地把基于生成式的方法和基于分类式的方法综合起来。但是，由于该稀疏协作型鲁棒目标跟踪方法在求稀疏系数时，用LASSO来求解l₁优化问题，而LASSO求解过程中计算量大，满足不了目标跟踪的实时性要求。

发明内容

为解决上述现有技术的缺点和不足，本发明提供了一种基于K稀疏的快速鲁棒目标跟踪方法，利用正负模板字典求得稀疏矩阵，并利用稀疏矩阵即K稀疏来求解正负模板字典l₁最优化问题，实现在稀疏度比较小且信噪比相同的情况下，求解稀疏系数的速度为LASSO算法的十倍以上；并且，通过将当前帧图像分割成多个图像样本，并以正则化后的正模板矩阵和负模板矩阵为基础而计算重构误差，利用重构判别误差参数和通过比较直方图获得的样本而实现对当前帧图像中的目标跟踪，由此也提高了目标跟踪的准确率，能够得到更加精确的跟踪结果，并提高跟踪的实时性。

一种基于K稀疏的快速鲁棒目标跟踪方法，包括以下步骤：

S1：获取首帧图像和当前帧图像，并获取首帧图像的首帧目标区域；

S2：根据首帧图像和首帧目标区域建立正负模板字典A，并根据所述首帧目标区域生成冗余字典D；其中，所述正负模板字典A由正模板矩阵A₊和负模板矩阵A_-组成；

S3：根据正负模板字典A计算得到稀疏矩阵S，并通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'；其中，正负模板字典A'由l₁最优化后的正模板矩阵A'₊和l₁最优化后的负模板矩阵A'_-组成；

S4：从当前帧图像中提取多个图像样本，得到候选图像样本序列X；并通过稀疏矩阵s对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'；

S5：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'₊和负模板矩阵A'_-的重构误差，得到正模板重构误差ε_f和负模板重构误差ε_b；并根据正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c；

S6：对候选图像样本序列X'进行重叠滑动窗口采样，得到包含多个窗口候选图像，并分别将每一窗口候选图像归一化为相应的一候选图像向量y_i；再通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，生成候选图像直方图

对所述首帧目标区域进行重叠滑动窗口采样，得到包含多个窗口目标图像，并分别将每一窗口目标图像归一化为相应的一目标图像向量z_i；再通过冗余字典D对所述目标图像向量z_i进行l₁最优化处理，生成目标图像直方图ψ；

S7：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，并根据所有候选图像向量的重构误差ε₀生成候选图像直方图的候选图像稀疏直方图

根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，并根据所有目标图像向量的重构误差ε'₀生成候选图像直方图ψ的目标图像稀疏直方图ψ'；

S8：根据所述候选图像稀疏直方图和目标图像稀疏直方图ψ'，计算得到一候选图像稀疏直方图和目标图像稀疏直方图相差最小的样本L_c；

S9：根据所有重构误差判别参数H_c和样本L_c获得当前帧图像的目标跟踪结果。

相对于现有技术，本发明通过利用正负模板字典求得稀疏矩阵，并利用稀疏矩阵即K稀疏来求解正负模板字典l₁最优化问题，实现在稀疏度比较小且信噪比相同的情况下，求解稀疏系数的速度为LASSO算法的十倍以上；并且，通过将当前帧图像分割成多个图像样本，并以正则化后的正模板矩阵和负模板矩阵为基础而计算重构误差，利用重构判别误差参数和通过比较直方图获得的样本而实现对当前帧图像中的目标跟踪，由此也提高了目标跟踪的准确率，能够得到更加精确的跟踪结果，并提高跟踪的实时性。

进一步，所述步骤S2中，所述正负模板字典A的建立包括以下步骤：

S211：以首帧目标区域为中心随机抽取50个16×16像素的目标图像块，将各目标图像块转换成相应的目标区域向量，并将所有目标区域向量组合形成50×1024的正模板矩阵A₊；

S212：于首帧目标区域的周围随机抽取200个16×16像素的背景图像块，将各背景图像块转换成相应的背景区域向量，并将所有背景区域向量组合形成200×1024的负模板矩阵A_-；

S213：合并正模板矩阵A₊和负模板矩阵A_-，得到250×1024的正负模板字典A。

通过上述步骤S211～S213，为目标跟踪提供判别字典A，进一步降低目标跟踪处理的难度和算法的复杂度，能进一步提高目标跟踪结果的精确度和目标跟踪的实时性。

进一步，所述步骤S2中，通过对首帧目标区域进行K均值聚类，得到36×50的冗余字典D。

进一步，所述步骤S3中，通过K稀疏算法求解正负模板字典A的l₁最优解，得到稀疏矩阵S，具体包括以下步骤：

S31：将求正负模板字典A的广义逆转化成求方阵的逆，即

S32：根据求得正负模板字典A的广义逆向量，从广义逆向量中获取K个绝对值最大的数值所在的列序号，并将K个列序号组成一非零稀疏系数位置集合I；

S33：根据非零稀疏系数位置集合I，及通过最小二乘法求得由K个非零值的系数稀疏组成的非零稀疏系数值集合s₁，即其中，A为正负模板字典，p为模板系数且取值为+1或-1；当正负模板字典A的取值为正模板矩阵A₊时，p的取值为+1；当正负模板字典A的取值为负模板矩阵A_-时，p的取值为-1；

S34：根据非零稀疏系数位置集合I和非零稀疏系数值集合s₁还原得到稀疏向量s；

S35：构建一个稀疏对角矩阵，并利用稀疏向量s生成稀疏矩阵S，其中，稀疏矩阵S中的S_ii满足：

相对于现有技术利用LASSO算法对公式求解s₁这一方式，本案通过上述步骤S31～S35，利用K稀疏来求解l₁优化问题，巧妙地把求字典的广义逆转换成求方阵的逆，先计算字典与输入信号的内积，找出K个内积最大的值，再将这些值对应字典的列序号构成一个集合，以集合中K列字典作为基，用最小二乘法求解出稀疏系数；实现在稀疏度比较小且信噪比相同的情况下，求解稀疏系数的速度为LASSO算法的十倍以上。

进一步，所述步骤S3中，通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'，A'＝S×A。此处有利于进一步简化了对正负模板字典A进行l₁最优化处理的方法，有利于降低算法复杂度；并实现对正负模板字典进行特性选择，选择出特征性强的模板字典A'，更加有利于后续的目标跟踪分析。

进一步，K的取值为8。通过限定K的值，有利于保证跟踪效果较好的同时降低算法冗余度。

进一步，所述步骤S4中，通过粒子滤波器从当前帧图像中提取得到多个图像样本，并将多个图像样本依序排列组成所述候选图像样本序列X；以及，稀疏矩阵S对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'，具体包括以下步骤：

步骤S41：通过稀疏矩阵S依次对候选图像样本序列X中的每一图像样本x进行正则化处理，得到正则化后的每一图像样本x'；其中，正则化后的每一图像样本x'＝S×x；

步骤S42：将正则化后的所有图像样本依序排列组成正则化后的候选图像样本序列X'。

通过步骤S41～S42，实现对候选图像样本序列X进行特性选择，选择出特征性强的候选图像样本序列X'，更加有利于后续的目标跟踪分析。

进一步，所述步骤S5具体包括以下步骤：

S51：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'+和负模板矩阵A'-的重构误差，正模板重构误差负模板重构误差其中，A'+为l₁最优化后的正模板矩阵，A'-为l₁最优化后的负模板矩阵，α为稀疏矩阵，

S52：根据候选图像样本序列X'的正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c，其中，σ＝0.001，重构误差判别参数H_c中的c表示候选图像样本序列X'中的第c个图像样本，为候选图像样本序列X'中的第c个图像样本的负模板重构误差，为候选图像样本序列X'中的第c个图像样本的正模板重构误差；

且/或，所述步骤S6具体包括以下步骤：

S61：通过一个6×6单位的窗口对候选图像样本序列X'进行重叠滑动窗口采样，得到M个窗口候选图像；

S62：分别将每一窗口候选图像归一化为50×1的候选图像向量y_i，候选图像向量y_i的总数与窗口候选图像的总数相同，都为M；

S63：通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，得到每一候选图像向量y_i的稀疏矩阵β_i；得到的稀疏矩阵β_i共有M个，每一稀疏矩阵β_i为50×1的矩阵，

S64：将所有稀疏矩阵β_i依序排列，生成候选图像直方图

S65：通过一个6×6单位的窗口对首帧目标区域进行重叠滑动窗口采样，得到M个窗口目标图像；

S66：分别将每一窗口目标图像归一化为50×1的目标图像向量z_i，目标图像向量z_i的总数与窗口目标图像的总数相同，都为M；

S67：通过冗余字典D对每一目标图像向量z_i进行l₁最优化处理，得到每一目标图像向量z_i的稀疏矩阵γ_i；得到的稀疏矩阵γ_i共有M个，每一稀疏矩阵γ_i为50×1的矩阵，

S68：将所有稀疏矩阵γ_i依序排列，生成目标图像直方图ψ；以及，所述步骤S7具体包括以下步骤：

S71：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，

S72：根据步骤S71中计算得到的所有重构误差，选取出重构误差的值大于0.05的候选图像向量；

S73：将候选图像直方图中对应于由步骤S72中选取得到的候选图像向量的稀疏矩阵置零，生成候选图像稀疏直方图

S74：根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，

S75：根据步骤S74中计算得到的所有重构误差，选取出重构误差的值大于0.05的目标图像向量；

S76：将目标图像直方图ψ中对应于由步骤S75中选取得到的目标图像向量的稀疏矩阵置零，生成目标图像稀疏直方图ψ'，ψ'＝[γ₁,γ₂,…,γ_M]；

且/或，所述步骤S8中，样本其中，为第c个候选图像块的候选图像稀疏直方图，1≤c≤50×M，ψ'为目标图像稀疏直方图，M为所述步骤S6中通过对候选图像样本序列X'进行重叠滑动窗口采样后得到窗口候选图像的总数；

且/或，所述步骤S9中，当前帧图像的目标跟踪结果的获得具体包括以下步骤：

S91：根据所有重构误差判别参数H_c和样本L_c，分别计算得到候选图像样本序列X'中每一图像样本的相似值＝H_c×L_c；

S92：根据由步骤S91求得的所有相似值获得候选图像样本序列X'中每一图像样本的最大后验概率，最大后验概率

S93：获取候选图像样本序列X'中最大后验概率的值最大的一图像样本，该图像样本即为所述目标跟踪结果。

通过所述步骤S7中生成的候选图像稀疏直方图和目标图像稀疏直方图，有效地消除了遮挡物对跟踪效果的影响，为后续目标跟踪处理提供更加准确的依据，进一步提高目标跟踪的准确性。

进一步，本发明基于K稀疏的快速鲁棒目标跟踪方法还包括以下步骤：

S10：判断当前帧图像的帧数是否为N的整数倍，是则执行步骤S11，否则执行步骤S12；

S11：通过步骤S2，根据当前帧图像和所述步骤S9中获得的目标跟踪结果建立新的正模板矩阵，并根据新的正模板矩阵更新正负模板字典；同时根据所述目标跟踪结果生成新的冗余字典，并对新的正负模板字典进行l₁最优化处理，得到新的稀疏矩阵；然后执行步骤S12；

S12：获取下一帧图像，并返回步骤S4，根据所述步骤S4～S9获得所述下一帧图像的目标跟踪结果。

通过所述步骤S10～S12，在实现目标跟踪的过程中按照一定的规律去更新作为判别基础的正负模板字典和冗余字典，从而有利于保证判别基础的适用性和准确性，更利于对后续图像中的目标跟踪进行分析处理，能得到更加准确的跟踪结果。

进一步，N的取值为5。通过实验得到，以当前图像帧数是否为5的倍数为更新频率去更新正负模板字典和冗余字典是最优的选择，避免更新频率过高而造成需要处理的数据较多，也避免更新频率过低而导致跟踪结果准确度降低的现象发生。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明实施例1中基于K稀疏的快速鲁棒目标跟踪方法的方法流程图；

图2为本发明实施例2中基于K稀疏的快速鲁棒目标跟踪方法的方法流程图。

具体实施方式

实施例1

请参阅图1，本发明提供了一种基于K稀疏的快速鲁棒目标跟踪方法，包括以下步骤：

S1：获取首帧图像和当前帧图像，并获取首帧图像的首帧目标区域。

在所述步骤S1中，是通过外部摄像设备或存储设备将首帧图像和本帧图像输入到相关的处理设备中，实现处理设备能够获取连续的首帧图像和本帧图像；且，获取的首帧目标区域实质上是获取首帧图像中需要跟踪的目标在首帧图像中所占据的区域的位置参数，而该位置参数是通过对处理器输入而实现获取的。

S2：根据首帧图像和首帧目标区域建立正负模板字典A，并根据所述首帧目标区域生成冗余字典D；其中，所述正负模板字典A由正模板矩阵A₊和负模板矩阵A_-组成。

本实施例中，所述正负模板字典A的建立包括以下步骤：

S211：以首帧目标区域为中心随机抽取50个16×16像素的目标图像块，将各目标图像块转换成相应的目标区域向量，并将所有目标区域向量组合形成50×1024的正模板矩阵A₊；其中，50×1024表示的是50行×1024列；

S212：于首帧目标区域的周围随机抽取200个16×16像素的背景图像块，将各背景图像块转换成相应的背景区域向量，并将所有背景区域向量组合形成200×1024的负模板矩阵A_-；其中，200×1024表示的是200行×1024列；

S213：合并正模板矩阵A₊和负模板矩阵A_-，得到250×1024的正负模板字典A；其中，250×1024表示的是250行×1024列；

以及，所述步骤S2中，是通过对首帧目标区域进行K均值聚类，得到36×50的冗余字典D；其中，36×50表示的是36行×50列。

S3：根据正负模板字典A计算得到稀疏矩阵S，并通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'；其中，正负模板字典A'由l₁最优化后的正模板矩阵A'₊和l₁最优化后的负模板矩阵A'_-组成。

在该步骤S3中，是通过K稀疏算法求解正负模板字典A的l₁最优解，得到稀疏矩阵S，具体包括以下步骤：

S31：将求正负模板字典A的广义逆转化成求方阵的逆，即

S32：根据求得正负模板字典A的广义逆向量，从广义逆向量中获取K个绝对值最大的数值所在的列序号，并将K个列序号组成一非零稀疏系数位置集合I；

S33：根据非零稀疏系数位置集合I，及通过最小二乘法求得由K个非零值的系数稀疏组成的非零稀疏系数值集合s₁，即其中，A为正负模板字典，p为模板系数且取值为+1或-1；当正负模板字典A的取值为正模板矩阵A₊时，p的取值为+1；当正负模板字典A的取值为负模板矩阵A_-时，p的取值为-1；因此，可以理解为：p是由50个+1和250个-1组成的一个向量，分别对应着正模板矩阵A₊和负模板矩阵A_-；

S34：根据非零稀疏系数位置集合I和非零稀疏系数值集合s₁还原得到稀疏向量s；

S35：构建一个稀疏对角矩阵，并利用稀疏向量s生成稀疏矩阵S，其中，稀疏矩阵S中的S_ii满足：其中，所述稀疏矩阵S为一个250×250的稀疏对角方阵，S_ii为稀疏稀阵S第i行第i列上的数值；s_i为稀疏向量s的第i个系数；

以及，通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'，A'＝S×A。

S4：从当前帧图像中提取多个图像样本，得到候选图像样本序列X；并通过稀疏矩阵s对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'。

在该步骤S4中，通过粒子滤波器从当前帧图像中提取得到多个图像样本，并将多个图像样本依序排列组成所述候选图像样本序列X；以及，稀疏矩阵S对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'，具体包括以下步骤：

步骤S41：通过稀疏矩阵S依次对候选图像样本序列X中的每一图像样本x进行正则化处理，得到正则化后的每一图像样本x'；其中，正则化后的每一图像样本x'＝S×x；也即，如果稀疏矩阵S对应的稀疏向量s的第i个系数为零，则令每一图像样本x中的第i行的所有系数都置零；

步骤S42：将正则化后的所有图像样本依序排列组成正则化后的候选图像样本序列X'。。

S5：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'+和负模板矩阵A'-的重构误差，得到正模板重构误差ε_f和负模板重构误差ε_b；并根据正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c。

在本实施例中，所述步骤S5具体包括以下步骤：

S51：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'+和负模板矩阵A'-的重构误差，正模板重构误差负模板重构误差其中，A'₊为l₁最优化后的正模板矩阵，A'-为l₁最优化后的负模板矩阵，α为稀疏矩阵，其中，中的求解方法可以利用所述步骤S31～S35中的求解原理得到最终结果α；由此，相对于现有技术利用LASSO算法对公式求解α这一方式，稀疏度比较小且信噪比相同的情况下，本案通过步骤S31～S35中的原理求解稀疏矩阵的速度为LASSO算法的十倍以上；

S52：根据候选图像样本序列X'的正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c，其中，σ＝0.001，重构误差判别参数H_c中的c表示候选图像样本序列X'中的第c个图像样本，为候选图像样本序列X'中的第c个图像样本的负模板重构误差，为候选图像样本序列X'中的第c个图像样本的正模板重构误差。

S6：对候选图像样本序列X'进行重叠滑动窗口采样，得到包含多个窗口候选图像，并分别将每一窗口候选图像归一化为相应的一候选图像向量y_i；再通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，生成候选图像直方图以及，对所述首帧目标区域进行重叠滑动窗口采样，得到包含多个窗口目标图像，并分别将每一窗口目标图像归一化为相应的一目标图像向量z_i；再通过冗余字典D对所述目标图像向量z_i进行l₁最优化处理，生成目标图像直方图ψ。

本实施例中，所述步骤S6具体包括以下步骤：

S61：通过一个6×6单位的窗口对候选图像样本序列X'进行重叠滑动窗口采样，得到M个窗口候选图像；

S62：分别将每一窗口候选图像归一化为50×1的候选图像向量y_i，候选图像向量y_i的总数与窗口候选图像的总数相同，都为M；

S63：通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，得到每一候选图像向量y_i的稀疏矩阵β_i；得到的稀疏矩阵β_i共有M个，每一稀疏矩阵β_i为50×1的矩阵，

S64：将所有稀疏矩阵β_i依序排列，生成候选图像直方图

S65：通过一个6×6单位的窗口对首帧目标区域进行重叠滑动窗口采样，得到M个窗口目标图像；

S66：分别将每一窗口目标图像归一化为50×1的目标图像向量z_i，目标图像向量z_i的总数与窗口目标图像的总数相同，都为M；

S67：通过冗余字典D对每一目标图像向量z_i进行l₁最优化处理，得到每一目标图像向量z_i的稀疏矩阵γ_i；得到的稀疏矩阵γ_i共有M个，每一稀疏矩阵γ_i为50×1的矩阵，

S68：将所有稀疏矩阵γ_i依序排列，生成目标图像直方图ψ；

其中，所述步骤S61～S64和所述步骤S65～S68这两部分步骤不分先后顺序，可以是并行执行。

S7：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，并根据所有候选图像向量的重构误差ε₀生成候选图像直方图的候选图像稀疏直方图以及，根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，并根据所有目标图像向量的重构误差ε'₀生成候选图像直方图ψ的目标图像稀疏直方图ψ'。

在本实施例中，所述步骤S7具体包括以下步骤：

S71：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，

S72：根据步骤S71中计算得到的所有重构误差，选取出重构误差的值大于0.05的候选图像向量；

S73：将候选图像直方图中对应于由步骤S72中选取得到的候选图像向量的稀疏矩阵置零，生成候选图像稀疏直方图

S74：根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，

S75：根据步骤S74中计算得到的所有重构误差，选取出重构误差的值大于0.05的目标图像向量；

S76：将目标图像直方图ψ中对应于由步骤S75中选取得到的目标图像向量的稀疏矩阵置零，生成目标图像稀疏直方图ψ'，ψ'＝[γ₁,γ₂,…,γ_M]；

其中，所述步骤S71～S73和所述步骤S74～S76这两部分步骤不分先后顺序，可以是并行执行。

S8：根据所述候选图像稀疏直方图和目标图像稀疏直方图ψ'，计算得到一候选图像稀疏直方图和目标图像稀疏直方图相差最小的样本L_c。

在该步骤S8中，样本其中，为第c个候选图像块的候选图像稀疏直方图，1≤c≤50×M，ψ'为目标图像稀疏直方图，M为所述步骤S6中通过对候选图像样本序列X'进行重叠滑动窗口采样后得到窗口候选图像的总数。

S9：根据所有重构误差判别参数H_c和样本L_c获得当前帧图像的目标跟踪结果。

所述步骤S9中，本帧图像的目标跟踪结果的获得具体包括以下步骤：

S91：根据所有重构误差判别参数H_c和样本L_c，分别计算得到候选图像样本序列X'中每一图像样本的相似值＝H_c×L_c；

S92：根据由步骤S91求得的所有相似值获得候选图像样本序列X'中每一图像样本的最大后验概率，最大后验概率

S93：获取候选图像样本序列X'中最大后验概率的值最大的一图像样本，该图像样本即为所述目标跟踪结果。

当需要获取下一帧图像的目标跟踪结果，通过输入下一帧图像，经过步骤S1～S9的处理即可得到相应的目标跟踪结果。

为保证跟踪效果较好的同时降低算法冗余度，优选地，本实施例中，K的取值为8。

为得到更精确的目标跟踪结果，本实施例中，优选地，所述步骤S7和S8中的M的取值为196。

另外，本发明还具有其它变形实施例，例如，通过另一种方法替代所述步骤S91～S93，为步骤S9提供另一种实现目标跟踪结果的获取的方法，也即，修改后的步骤S9中的本帧图像的目标跟踪结果的获得步骤为：

S91’：分别计算候选图像样本序列X”中每一图像样本的重构误差判别参数H_c和相应的样本L_c的商数；

S92’：从计算得到的所有商数中获取值最小的一个商数，并根据该最小值的商数得到相应的一图像样本，该图像样本即为所述目标跟踪结果。

实施例2

本实施例的基于K稀疏的快速鲁棒目标跟踪方法和实施例1中的基于K稀疏的快速鲁棒目标跟踪方法基本相同，其区别仅在于：本实施例在实施例1的基础上增加了步骤S10和S12，以实现目标跟踪的过程中按照一定的规律去更新作为判别基础的正负模板字典和冗余字典，从而保证判别基础的适用性和准确性，更利于对后续图像中的目标跟踪进行分析处理，能得到更加准确的跟踪结果。请参阅图2，本实施例2基于K稀疏的快速鲁棒目标跟踪方法相对于实施例1中的目标跟踪方法还包括以下步骤：

S10：判断当前帧图像的帧数是否为N的整数倍，是则执行步骤S11，否则执行步骤S12；

S11：通过步骤S2，根据当前帧图像和所述步骤S9中获得的目标跟踪结果建立新的正模板矩阵，并根据新的正模板矩阵更新正负模板字典；同时根据所述目标跟踪结果生成新的冗余字典，并对新的正负模板字典进行l₁最优化处理，得到新的稀疏矩阵；然后执行步骤S12；

S12：获取下一帧图像，并返回步骤S4，根据所述步骤S4～S9获得所述下一帧图像的目标跟踪结果。

为避免更新频率过高而造成需要处理的数据较多，也避免更新频率过低而导致跟踪结果准确度降低的现象发生，本实施例中，优选地，所述步骤S10中的N的取值为5。

相对于现有技术，本发明基于K稀疏的快速鲁棒目标跟踪方法把基于生成式的方式和基于分类式的方法有效地综合起来，通过在此基础上利用正负模板字典求得稀疏矩阵，并利用稀疏矩阵即K稀疏来求解正负模板字典l₁最优化问题，实现在稀疏度比较小且信噪比相同的情况下，求解稀疏系数的速度为LASSO算法的十倍以上——即利用首帧的目标区域构建字典，在求解稀疏系数时，利用K稀疏算法巧妙地将求字典二道广义逆转换成求方阵的逆，即：计算字典与输入信号的内积，找出K个内积最大值，将这K个最大的值对应字典的列序号构成一个集合，以集合中K列字典作为基，用最小二乘法解出稀疏系数。并且，本发明通过将当前帧图像分割成多个图像样本，并以正则化后的正模板矩阵和负模板矩阵为基础而计算重构误差，利用重构判别误差参数和通过比较直方图获得的样本而实现对当首帧图像中的目标跟踪，由此也提高了目标跟踪的准确率，能够得到更加精确的跟踪结果，并提高跟踪的实时性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：包括以下步骤：

S1：获取首帧图像和当前帧图像，并获取首帧图像的首帧目标区域；

S2：根据首帧图像和首帧目标区域建立正负模板字典A，并根据所述首帧目标区域生成冗余字典D；其中，所述正负模板字典A由正模板矩阵A₊和负模板矩阵A_-组成；

S3：根据正负模板字典A计算得到稀疏矩阵S，并通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'；其中，正负模板字典A'由l₁最优化后的正模板矩阵A'₊和l₁最优化后的负模板矩阵A'_-组成；

S4：从当前帧图像中提取多个图像样本，得到候选图像样本序列X；并通过稀疏矩阵s对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'；

S5：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'₊和负模板矩阵A'_-的重构误差，得到正模板重构误差ε_f和负模板重构误差ε_b；并根据正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c；

S6：对候选图像样本序列X'进行重叠滑动窗口采样，得到包含多个窗口候选图像，并分别将每一窗口候选图像归一化为相应的一候选图像向量y_i；再通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，生成候选图像直方图

对所述首帧目标区域进行重叠滑动窗口采样，得到包含多个窗口目标图像，并分别将每一窗口目标图像归一化为相应的一目标图像向量z_i；再通过冗余字典D对所述目标图像向量z_i进行l₁最优化处理，生成目标图像直方图ψ；

S7：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，并根据所有候选图像向量的重构误差ε₀生成候选图像直方图的候选图像稀疏直方图

根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，并根据所有目标图像向量的重构误差ε'₀生成候选图像直方图ψ的目标图像稀疏直方图ψ'；

S8：根据所述候选图像稀疏直方图和目标图像稀疏直方图ψ'，计算得到一候选图像稀疏直方图和目标图像稀疏直方图相差最小的样本L_c；

S9：根据所有重构误差判别参数H_c和样本L_c获得当前帧图像的目标跟踪结果。

2.根据权利要求1所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S2中，所述正负模板字典A的建立包括以下步骤：

S211：以首帧目标区域为中心随机抽取50个16×16像素的目标图像块，将各目标图像块转换成相应的目标区域向量，并将所有目标区域向量组合形成50×1024的正模板矩阵A₊；

S212：于首帧目标区域的周围随机抽取200个16×16像素的背景图像块，将各背景图像块转换成相应的背景区域向量，并将所有背景区域向量组合形成200×1024的负模板矩阵A_-；

S213：合并正模板矩阵A₊和负模板矩阵A_-，得到250×1024的正负模板字典A。

3.根据权利要求1或2所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S2中，通过对首帧目标区域进行K均值聚类，得到36×50的冗余字典D。

4.根据权利要求3所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S3中，通过K稀疏算法求解正负模板字典A的l₁最优解，得到稀疏矩阵S，具体包括以下步骤：

S31：将求正负模板字典A的广义逆转化成求方阵的逆，即

S32：根据求得正负模板字典A的广义逆向量，从广义逆向量中获取K个绝对值最大的数值所在的列序号，并将K个列序号组成一非零稀疏系数位置集合I；

S33：根据非零稀疏系数位置集合I，及通过最小二乘法求得由K个非零值的系数稀疏组成的非零稀疏系数值集合s₁，即其中，A为正负模板字典，p为模板系数且取值为+1或-1；当正负模板字典A的取值为正模板矩阵A₊时，p的取值为+1；当正负模板字典A的取值为负模板矩阵A_-时，p的取值为-1；

S34：根据非零稀疏系数位置集合I和非零稀疏系数值集合s₁还原得到稀疏向量s；

S35：构建一个稀疏对角矩阵，并利用稀疏向量s生成稀疏矩阵S，其中，稀疏矩阵S中的S_ii满足：

5.根据权利要求4所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S3中，通过稀疏矩阵S对所述正负模板字典A进行l₁最优化处理，得到l₁最优化后的正负模板字典A'，A'＝S×A。

6.根据权利要求5所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：K的取值为8。

7.根据权利要求5或6所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S4中，通过粒子滤波器从当前帧图像中提取得到多个图像样本，并将多个图像样本依序排列组成所述候选图像样本序列X；以及，稀疏矩阵S对候选图像样本序列X进行正则化，得到正则化后的候选图像样本序列X'，具体包括以下步骤：

步骤S41：通过稀疏矩阵S依次对候选图像样本序列X中的每一图像样本x进行正则化处理，得到正则化后的每一图像样本x'；其中，正则化后的每一图像样本x'＝S×x；

步骤S42：将正则化后的所有图像样本依序排列组成正则化后的候选图像样本序列X'。

8.根据权利要求7所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：所述步骤S5具体包括以下步骤：

S51：分别计算候选图像样本序列X'与l₁最优化后的正模板矩阵A'₊和负模板矩阵A'_-的重构误差，正模板重构误差负模板重构误差其中，A'₊为l₁最优化后的正模板矩阵，A'_-为l₁最优化后的负模板矩阵，α为稀疏矩阵，

S52：根据候选图像样本序列X'的正模板重构误差ε_f和负模板重构误差ε_b计算得到候选图像样本序列X'中每一图像样本的重构误差判别参数H_c，其中，σ＝0.001，重构误差判别参数H_c中的c表示候选图像样本序列X'中的第c个图像样本，为候选图像样本序列X'中的第c个图像样本的负模板重构误差，为候选图像样本序列X'中的第c个图像样本的正模板重构误差；

且/或，所述步骤S6具体包括以下步骤：

S61：通过一个6×6单位的窗口对候选图像样本序列X'进行重叠滑动窗口采样，得到M个窗口候选图像；

S62：分别将每一窗口候选图像归一化为50×1的候选图像向量y_i，候选图像向量y_i的总数与窗口候选图像的总数相同，都为M；

S63：通过冗余字典D对每一候选图像向量y_i进行l₁最优化处理，得到每一候选图像向量y_i的稀疏矩阵β_i；得到的稀疏矩阵β_i共有M个，每一稀疏矩阵β_i为50×1的矩阵，

S64：将所有稀疏矩阵β_i依序排列，生成候选图像直方图

S65：通过一个6×6单位的窗口对首帧目标区域进行重叠滑动窗口采样，得到M个窗口目标图像；

S66：分别将每一窗口目标图像归一化为50×1的目标图像向量z_i，目标图像向量z_i的总数与窗口目标图像的总数相同，都为M；

S67：通过冗余字典D对每一目标图像向量z_i进行l₁最优化处理，得到每一目标图像向量z_i的稀疏矩阵γ_i；得到的稀疏矩阵γ_i共有M个，每一稀疏矩阵γ_i为50×1的矩阵，

S68：将所有稀疏矩阵γ_i依序排列，生成目标图像直方图ψ；以及，所述步骤S7具体包括以下步骤：

S71：根据冗余字典D分别计算得到每一候选图像向量y_i的重构误差ε₀，

S72：根据步骤S71中计算得到的所有重构误差，选取出重构误差的值大于0.05的候选图像向量；

S73：将候选图像直方图中对应于由步骤S72中选取得到的候选图像向量的稀疏矩阵置零，生成候选图像稀疏直方图

S74：根据冗余字典D分别计算得到每一目标图像向量z_i的重构误差ε'₀，

S75：根据步骤S74中计算得到的所有重构误差，选取出重构误差的值大于0.05的目标图像向量；

S76：将目标图像直方图ψ中对应于由步骤S75中选取得到的目标图像向量的稀疏矩阵置零，生成目标图像稀疏直方图ψ'，ψ'＝[γ₁,γ₂,…,γ_M]；

且/或，所述步骤S8中，样本其中，为第c个候选图像块的候选图像稀疏直方图，1≤c≤50×M，ψ'为目标图像稀疏直方图，M为所述步骤S6中通过对候选图像样本序列X'进行重叠滑动窗口采样后得到窗口候选图像的总数；

且/或，所述步骤S9中，当前帧图像的目标跟踪结果的获得具体包括以下步骤：

S91：根据所有重构误差判别参数H_c和样本L_c，分别计算得到候选图像样本序列X'中每一图像样本的相似值＝H_c×L_c；

S92：根据由步骤S91求得的所有相似值获得候选图像样本序列X'中每一图像样本的最大后验概率，最大后验概率

S93：获取候选图像样本序列X'中最大后验概率的值最大的一图像样本，该图像样本即为所述目标跟踪结果。

9.根据权利要求1或8所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：还包括以下步骤：

S10：判断当前帧图像的帧数是否为N的整数倍，是则执行步骤S11，否则执行步骤S12；

S11：通过步骤S2，根据当前帧图像和所述步骤S9中获得的目标跟踪结果建立新的正模板矩阵，并根据新的正模板矩阵更新正负模板字典；同时根据所述目标跟踪结果生成新的冗余字典，并对新的正负模板字典进行l₁最优化处理，得到新的稀疏矩阵；然后执行步骤S12；

S12：获取下一帧图像，并返回步骤S4，根据所述步骤S4～S9获得所述下一帧图像的目标跟踪结果。

10.根据权利要求9所述的基于K稀疏的快速鲁棒目标跟踪方法，其特征在于：N的取值为5。