文档介绍：基于协方差矩阵的压缩感知跟踪算法
摘要:压缩感知是信号处理领域的新理论,用于目标跟踪算法时可在大量底层特征中提取出少量重要信息,减少计算量,提高算法速度。传统的基于压缩感知的跟踪算法,为了保证算法速度,对压缩后的特征简单建模,准确性还有待提高。提出一种基于协方差矩阵的压缩感知跟踪算法,先利用压缩感知原理获取压缩后的Haar特征,再利用协方差矩阵融合Haar特征区域内的底层多维特征,以此构建目标模型,并通过搜索当前目标区域的邻域,利用流形空间上的距离度量算法匹配最佳目标,从而提高算法准确性。关键词:压缩感知;特征融合;协方差矩阵;Haar特征;LogEuclidean黎曼测度DOI: 中图分类号: TP312 文献标识码: A 文章编号: 16727800(2017)004003104
0引言 pressive Sensing,CS)理论是信号处理领域最近几年才提出的新理论[13]。信号处理包括4个基本过程:采样、压缩、传输以及恢复。压缩感知理论将采样与压缩过程结合在一起,在采样过程中对信号进行压缩,可以低于香农定理的频率获取采样数据,简化信号处理过程,因而得到了信号处理领域的广泛关注。同时,该理论在应用科学的诸多领域,如统计学、信息学、编码领域等也有着相当重要的应用,推动了这些领域的基础研究发展。
目标跟踪是计算机视觉等热点研究领域的核心课题之一[47],其主要过程可分为目标建模和目标匹配。使用大量底层特征建模目标可以使匹配结果更准确,但会牺牲算法效率。压缩感知理论在信号采集过程中提出的新方法为目标跟踪领域带来了启发。Zhang等[8]在基于CS理论的实时跟踪系统研究,使用压缩感知理论对高维原始特征集降维,减少底层特征计算量,从而提高算法速度。另外,在目标跟踪领域,基于协方差矩阵的跟踪算法获得了广泛研究[1016]。协方差矩阵可以融合多种底层特征,同时保持低维特性,从而减轻了目标匹配过程的计算复杂度,保持了算法效率与鲁棒性之间的平衡。 press Sensing Tracking,CT)利用压缩感知理论对原始数据中大量的Haar特征采样压缩,得到压缩后的特征。随后简单计算Haar特征的区域积分作为特征值,以保证算法具有较快的处理速度。最后通过构造多组贝叶斯分类器来提高跟踪结果的准确性。由于特征模型较为简单,算法面对复杂场景如光照、干扰等状况不能保持较好的鲁棒性。基于此,提出一种基于协方差矩阵的压缩感知跟踪算法。使用协方差矩阵对压缩后的Haar特征进行进一步处理,强化目标模型的表征能力,从而提高传统压缩感知跟踪算法的准确度。
1基于协方差矩阵的压缩感知跟踪算法原理及实现在CT基础上,使用协方差矩阵描述算子融合多种底层点特征构造基本特征模型,改善算法适应能力,基本过程如下: ①应用协方差矩阵构造压缩后的特征模型;②对搜索区域的待定目标计算相应的匹配模型;③根据匹配模型选择合适的相似度算法,以决定最优的待定目标;④更新特征模型,转②继续跟踪或者结束算法。?核跆卣魈崛? Haar特征是计算机视觉等领域中常用的特征描述方法,若直接使用Haar特征来构建特征模型,则对于一个20*20的目标区域,可选的特征矩形将超过80 000个。尽管计算简单,但由于数量较大,使得最终仍需要较多计算时间。因此,结合压缩感知理论构造特定的压缩矩阵,当选择合适的观测矩阵后,可以减少大量不必要的计算量,同时保留必要的Haar特征。假设X={X1,X2…XN}表示目标区域内所有的Haar特征,V={V1,V2…VM}为降维后的特征,N>>M。压缩过程为V=RX。采用传统压缩感知跟踪算法[8]中使用的随机测量矩阵:rij=〖JB({〗1 概率1/s0 概率1-1/s在公式(1)中,当s取值为2或3时,所构造出的测量矩阵满足Johnson-Lindenstrauss推论。最后得到的矩阵会非常稀疏,很方便进行后续处理。算法中,s取值为m/4,最终的低维观测值中不超过3个非零值,即用不超过3个矩形区域的组合(称为Haarlike特征)对目标区域建模,从而大大减轻了计算量。
,对矩形区域内的单一点特征取积分值,以此构建目标模型。该处理可以使算法具有很高的速度,但鲁棒性不够优秀。为提高鲁棒性,使用协方差矩阵进一步处理压缩后的区域特征,融合区域内的多种点特征,同时保持较低维度。选定Haar特征组合即Haarlike特征后,可以得到2~3个矩形特征区域。对每一个矩形区域,提取区域内的点特征(坐标、颜色分类、梯度等),建立相应的协方差矩阵模型。设I为视频序列的某一帧图像,R是待定目标区域,F是对当前目标区域的建模,F(x,y)=(I,x,y),即F是