毛以芳

(成都工业职业技术学院信息工程学院,四川成都 610218)

0 引言

随着AI的不断发展,目标检测和跟踪受到了越来越多的研究和发展[1-3]。基于稀疏表示的目标跟踪方法受到广泛的关注,稀疏表示模型[4-5]的核心思想是在字典中将信号表示为基元线性组合,而且很少的基元即可表示信号,其权重向量称为线性组合稀疏系数。

目前基于稀疏表示模型的目标跟踪方法中,大部分基于单一特征进行跟踪,基于单一特征的目标跟踪无法对视频图像进行全面的描述,诸如光照变化、噪声干扰、形态变化等复杂环境下的鲁棒性较低。本文在稀疏表示模型的粒子滤波框架下,分别构造视频所在的目标子空间和背景子空间,通过两个子空间的组合以构造和更新字典模板,提高目标跟踪应对场景变化的适应能力,减小目标跟踪的漂移。该方法考虑了目标的全局和局部空间信息,进一步提升了目标跟踪的鲁棒性。

1 目标跟踪算法

1.1 目标跟踪框架

在稀疏表示模型的框架下,综合考虑目标子空间和背景子空间模型,采用粒子滤波方法选取候选样本,并融合图像的灰度和HOG特征,提出一种目标跟踪算法,算法流程图如图1所示。

图1 目标跟踪算法流程Fig.1 Diagram of object tracking

1.2 目标跟踪算法步骤

步骤2:将字典模板和N个粒子产生的候选样本进行重叠分块,提取每个分块的像素灰度值和HOG特征。设产生的候选样本数为p,由粒子的运动模型生成候选样本,即基于粒子的运动模型产生,其中xt-1,xt分别表示t-1和t时刻目标的状态向量,,其中表示目标在第t帧x,y方向上的坐标,分别表示目标在第t帧时的旋转角度、变化尺度、宽高比、倾斜角。……