技術(shù)特征：

1.一種基于低秩稀疏的視頻目標跟蹤方法，其特征在于包括以下步驟：

S1：初始化參數(shù)：

S11：給定圖像序列{I₁,I₂,…,I_M}，M為序列總數(shù)；隨機選擇圖像序列中的一張圖像中的一個對象為目標，手動選定該目標的左上角p₁(x₁,y₁)，左下角p₂(x₂,y₂)以及右上角p₃(x₃,y₃)，且用矩陣P表示，生成相應的矩形框確定該目標在圖像中的位置，記該目標矩形框的矢量形式為O，其寬和高分別為wi和he；

S12：壓縮S11中選定的圖像，設(shè)置壓縮后的圖像大小，寬為sz_w，高為sz_h，目標壓縮后將其用向量表示，定義x為目標壓縮后的圖像構(gòu)成的向量，其維度為sz_w*sz_h；

S13：初始化字典D_t

在目標矩形框O上，定義2*3維隨機矩陣RAND，RAND中的元素為隨機生成的且服從高斯分布；

設(shè)置正樣本數(shù)為N_p，生成N_p個RAND，令T_i＝P+RAND_i*δ_p(i＝1,2...N_p)，得到N_p正樣本框，其中T_i指第i個樣本框的坐標表示，δ_p是指正樣本框離目標距離，值越大表明離目標越遠，RAND_i表示生成的第i個樣本框；

同樣的，設(shè)置負樣本數(shù)為N_n，生成N_n個RAND，令得到N_n負樣本框；其中T_i+p指第i+p個樣本框的坐標表示，δ_n是指負樣本框離目標距離，值越大表明離目標越遠；表示生成的第i+N_p個樣本框；

定義D_t為t時刻的字典，將這N_p+N_n個矩形框矢量化后得到第1時刻的字典D₁；

S14：z為x在字典上的表示系數(shù)；如果D_t為完備字典，則有x＝D_tz，x、D_t已知,z為求解項，λ₀是z的一范數(shù)前的系數(shù)；求解目標矩形框O在字典D_t上的表示系數(shù)z₀：

$z_0=\underset{z}{\mathrm{argmin}}\left|\right|x_0-D_{t}z|{|}_2+{\mathrm{\λ}}_0|\left|z\right|{|}_1$

其中：x₀是初始目標壓縮后的圖像構(gòu)成的向量；

S15：仿射參數(shù)設(shè)置為：σ₀＝[σ₀¹,σ₀²,σ₀³,σ₀⁴,σ₀⁵,σ₀⁶]；

S16：用w表示D_t每個向量的權(quán)值，w為N_p+N_n維向量，w_i(i＝1,2...N_p+N_n)為w的分量；設(shè)置w_i(i＝1,2...N_p+N_n)初始值為設(shè)置權(quán)值的最小閾值為τ，0<τ<1；

S2：視頻跟蹤過程：

S21：利用粒子濾波方法進行狀態(tài)預測，在目標矩形框O的臨近區(qū)域內(nèi)隨機選取n個與目標矩形O大小相同或相近的粒子，作為下一圖像序列目標預測值候選者；

(1)將粒子作為目標候選框，將S15設(shè)置的仿射參數(shù)σ₀＝[σ₀¹,σ₀²,σ₀³,σ₀⁴,σ₀⁵,σ₀⁶]作為高斯分布參數(shù)，生成n個粒子，每個粒子有6個參數(shù)；生成n*6維隨機矩陣T，令S＝T*diag(σ₀)，生成n*6的仿射參數(shù)矩陣，代表n個粒子；

其中，

(2)利用S在I_i中截取圖片，其中S可以轉(zhuǎn)化為坐標矩陣，通過坐標矩陣截取n張圖片，每張圖片轉(zhuǎn)化為sz_w*sz_h維向量，這n張圖片在坐標矩陣P附近，與P的距離呈高斯分布，P為I_i-1時刻的目標圖片坐標；這些圖片作為粒子，構(gòu)成X₀，X₀為(sz_w*sz_h)*n維矩陣，作為下一圖像序列目標預測值候選者；

S22：構(gòu)建重建錯誤，剔除與目標差距較大的粒子：

首先，定義e₀ⁱ＝||X₀ⁱ-Dz₀||₂(i＝1,2...n)，e₀值越大，說明與目標的差距越大，X₀ⁱ是矩陣X₀的第i列向量，選出X₀中e₀最小的25個候選粒子構(gòu)成矩陣X，方法如下：

$co=\arg \underset{25}{{{\mathrm{mine}}_0}^i},(i=1,2...n)$

X＝X₀^j(j∈co)

其中，

S23：Z_t為X在字典D_t上的表示系數(shù)矩陣，有X＝D_t×Z_t；由于X是低秩，因此Z_t也是低秩；由于25個候選粒子接近目標向量，因此Z_t也是稀疏矩陣，因此求解Z_t可以根據(jù)約束求解，約束設(shè)置如下：

$\underset{Z,E}{min}{\mathrm{\&lambda;}}_1\left|\right|Z_t|{|}_{2,1}+{\mathrm{\&lambda;}}_2||Z_t-Z_0|{|}_{2,1}+{\mathrm{\&lambda;}}_3\left|\right|E|{|}_{1,1}$

其中||E||_1,1＝∑_j(∑_i|[E]_ij|),

$\left|\right|Z_t|{|}_{2,1}={\mathrm{\&Sigma;}}_j{\left({\mathrm{\&Sigma;}}_i{\left|{\&lsqb;Z_t\&rsqb;}_{ij}\right|}^2\right)}^{\frac{1}{2}},$

$\left|\right|Z_t-Z_0|{|}_{2,1}={\&Sigma;}_j{\left({\&Sigma;}_i{\left|{\&lsqb;Z_t-Z_0\&rsqb;}_{ij}\right|}^2\right)}^{\frac{1}{2}};$

其中，||Z_t||_2,1項代表低秩稀疏，Z₀為z₀復制N_P+N_n個后所組成的矩陣，||E||_1,1為重建錯誤差表示計算X＝D_t×Z_t時，D_t×Z_t的結(jié)果與X的誤差，誤差越小，表明用字典D_t恢復的圖像越接近原始圖像；λ_i(i＝1,2,3)作為不同項的系數(shù)；

S24：定義z_i^o為z_i正樣本系數(shù)，為N_p維向量，z_i^b為z_i負樣本系數(shù)，為N_n維向量；設(shè)置差別分數(shù)Δz，Δz表示正樣本系數(shù)絕對值的總和減去負樣本系數(shù)絕對值總和，Δz計算方法如下：

Δz_i＝||z_i^o||₁-||z_i^b||₁(i＝1,2...n)

其中i表示第i個粒子，將差別分數(shù)最小的向量作為目標向量，同時替換上一時刻目標表示系數(shù)z₀，賦予z₀新的值：

$z_0=\underset{i=1,2...25}{min}{\mathrm{\&Delta;z}}_i$

其中，||z_i^o||₁＝(∑_j(∑_i|(z_i^o)_ij|))，||z_i^b||₁＝(∑_j(∑_i|(z_i^b)_ij|))；

z₀即為新選出的目標在字典D_t上的表示系數(shù)；

S25：字典更新；

目標跟蹤過程中，每一幀都要將權(quán)值進行更新，將權(quán)值閾值小于τ的向量進行更換，方法如下：

令w_i←w_i*exp(z_oⁱ)(i＝1,2...N_p+N_n)，如果w_i＜τ，則令i₀＝argmin_1≤i≤na_i，

其中表示圖像t序列中字典D_t的第i₀個分量，w_i表示w的第i個分量，w_i←w_i*exp(z_oⁱ)(i＝1,2...N_p+N_n)表示將w_i*exp(z_oⁱ)賦值給w_i，同理，表示將z₀賦值給

S26：重復S21～S25。

2.根據(jù)權(quán)利要求1所述的基于低秩稀疏的視頻目標跟蹤方法，其特征在于，S12中圖像的壓縮方法如下：

如果有min(wi,he)≤50，則取S11中選定的目標大小，取值如下：

sz_w＝wi，sz_h＝he

如果有min(wi,he)＞50，則將S11中選定的圖像通過降采樣，降到原分辨率的一半，取值如下：

$sz\_w=\frac{wi}{2},sz\_h=\frac{he}{2}$

如果S11中選定的目標過大即max(wi,he)＞64，則將將該目標大小通過降采樣設(shè)置為定值：

sz_w＝32，sz_h＝32。

3.根據(jù)權(quán)利要求1所述的基于低秩稀疏的視頻目標跟蹤方法，其特征在于，S13中，δ_n＞＞δ_p，δ_n＞＞δ_p表示δ_n遠大于δ_p。

4.根據(jù)權(quán)利要求1所述的基于低秩稀疏的視頻目標跟蹤方法，其特征在于，S15中，σ₀¹、σ₀⁴的取值為0.01～0.05，σ₀²、σ₀³的取值為0.0001～0.0005，σ₀⁵、σ₀⁶的取值為1～5。