基于自适应结构局部稀疏外观模型法视觉跟踪.docVIP

基于自适应结构局部稀疏外观模型法视觉跟踪 　　【摘 要】本文基于MATLAB软件，通过利用局部结构稀疏外观模型的方法和一种新颖的队列池方法，利用跟踪目标的空间和局部信息实现目标跟踪。通过遍历所有图像局部块获得的相似性，不但能够准确定位目标而且处理了遮挡问题。此外，也使用了结合增量子空间学习和稀疏表达方法的模板更新策略，此策略可使模板实时更新，稳定性好。 　　【关键词】MATLAB；局部模型；队列池方法；稀疏表示；目标跟踪 　　0 前言 　　视觉追踪在计算机视觉领域一直是一个重要的课题，尤其对于监测应用、车辆导航和人机界面研究。比如有人在文献[1-4]中已经提出了很多追踪方法，但仍然是一个具有挑战性的问题，由于像局部遮挡，光照变化，姿势变化，背景混乱和视角变化等因素的影响。在本文中，基于结构局部稀疏表达模型和自适应模板更新策略提出了一种有效的跟踪算法。 　　1 系统流程图 　　在此介绍基于自适应结构局部稀疏外观模型法的视觉跟踪，以下是基于Matlab的系统流程。 　　图1 运动目标检测和跟踪系统流程图 　　2 局部结构稀疏外观模型 　　给出一组目标模板视频图像序列T=[T1，T2，…，Tn]，在目标区域对一组重叠的局部图像块抽样。利用这些局部块作为词典来给在可能的候选区域局部块编码，即D=[d1，d2，…，d（n×N）]∈Rd×（n×N），其中d是图像块向量的尺度，n是目标模板的数量，N是在目标区域局部块的数量。矩阵D中的每一列都是从矩阵T中矢量化的局部图像块中通过？?{1归一化方法获取的。每个局部块代表固定目标对象的一部分，因此所有的局部块就能表达目标的完整结构，由于局部块是从许多模板收集的，所以这个词典收集了不同模板的共同点并能表达他们的各种形式。对于一个候选目标区域，可以表示成Y=[y1，y2，…，yN]∈Rd×N。如图2所示。 　　假设具有稀疏性的情况下，在目标区域的局部块都能够表示为只有几个基本数组元素的线性组合，通过求解此公式： 　　■y■-Db■■■+λb■■，s.t.b■≥0（1） 　　这里y■指的是第i个量化的局部图像块，bi∈R■是局部块相应的稀疏编码，bi≥0意思是bi所有的元素非负。记B=[b1，b2，…，bN]，表示一个候选区域的稀疏代码矩阵。每个局部块的稀疏系数都被分成若干段，根据每个向量元素对应的模板，即b■■=[b■■，b■■，…，b■■]，其中b■■∈R■表示系数向量bi的K阶分块。对这些分段系数加权，获得第i个局部块向量Vi， 　　Vi=■■b■■，i=1，2，…，N（2） 　　这里向量Vi对应第i个局部块，C是一个标准术语。然后在候选区确定位置的每个局部块都可以用在不同模板位置的局部块表示。采取的平方矩阵V的对角线元素作为混合特征值，即： 　　f=diag（V）（3） 　　其中f是混合特征值的向量，对齐的跟踪结果也便于使用增量子空间训练方法进行码本更新。在集中遍历这些局部块之后，异常值的影响降低了并且结构信息扔被保存在表达数据中以此更好地定位目标。 　　3 模板更新 　　在目标跟踪方法中，生成累积概率序列： 　　Lp={0，■，■，…，1}（4） 　　根据均匀分布定理产生一个在单位区间[ 0，1 ]的随机数r。通过选取哪一本部分的随机数，可以选择被更换的模板。这能使旧模板缓慢地更新和新模板的快速更新，从而减小漂移的问题。 　　利用稀疏表达和子空间学习方法给更新的模板建模。这种增量式法不但可以适应外观改变，而且也可以保护收集到的目标物体的相同视角的共同信息。目标估计可以通过主成分分析的基向量的线性组合建模和在文献[4]中使用的琐碎模板法。 　　p=Uq+e=[U I][■]（5） 　　其中：p表示观测向量矩阵，矩阵U由特征向量组成，q是特征向量系数矩阵，e表示在p被损坏或遮挡的矩阵中的像素。由于遮挡和噪声引起的误差是任意的并且稀疏的，用？?{1正规化最小二乘法解决此问题。 　　■p-Hc■■+λc■（6） 　　其中：H=[U I]，c=[q e]T，λ是正则化参数。琐碎模板系数被应用到解决噪声或遮挡问题和避免太多的遮挡块被更新到模板集。然后重建的图像被用于更新将被替换的模板。这个过程可以看作是引入稀疏子空间表达方法。 　　4 目标跟踪 　　本文使用的目标跟踪算法是在贝叶斯定理框架下实现的。给出目标观察数据集z1：t=[z1，…，zt]到第t帧，目标状态变量xt可以由最大的后验概率估计计算 　　■t=arg■p（x■■|z■）（7） 　　在x■■表示第i个序列状态。后面的概率p（x■■|z■）可以通过贝叶斯定理递归， 　　■（8） 　　其中p（xt|xt-1）表示动态模型和p（zt|xt）指的是观测模型。动态模板p（xt|xt-1）