本发明涉及电子信息，具体为一种基于压缩感知的鲁棒目标追踪方法。
背景技术：
1、目标追踪的应用范围已经越来越广，不但在日常生活中被广泛应用，如家用相机、视频摄像头、游戏等；而且在安全监控设备中也被广泛应用，特别是在机场、大型商场、停车场等地方，目标追踪有着非常重要的作用。此外，从科研应用来说，目标追踪方法还是其他一些应用，如人脸姿态估计，表情分析等的重要基础。目标追踪方法的优劣已经是制约此类应用的一大瓶颈。
2、tld是一套高效的目标跟踪算法，只需要较少的先验信息就可以实现对目标长时间的在线实现跟踪，运算速度很快，同时实时性很高，并且能有效的适用于目标被遮挡的场合，对无人机的目标追踪具有很大的重要的意义，原本的追踪算法都存在当目标尺度有所变化时，跟踪就会失败的缺点；而tld算法的要求存储量比较大，计算速度相对慢，对硬件要求比较高。
3、因此，本领域技术人员提供了一种基于压缩感知的鲁棒目标追踪方法，以解决上述背景技术中提出的问题。
技术实现思路
1、本发明的目的在于提供一种基于压缩感知的鲁棒目标追踪方法，以解决上述背景技术中提出的问题。
2、为实现上述发明目的，本发明采用如下技术方案：
3、本发明提供一种基于压缩感知的鲁棒目标追踪方法，包括步骤
4、s1：从视频流中获取第一帧视频图像，鼠标标定目标对象，预处理图像，通过利用第一帧的图像，把目标对象提取出来，建立一个子空间；
5、对于后续帧，使用粒子滤波器的方法，依据上一帧目标对象的位置，加入高斯噪声，生成粒子；对于每一个粒子，提取其图像，向量化，然后投影到子空间中，利用pca求出投影系数，如果图像发生遮挡或图像模糊时，采用遮挡处理策略；
6、然后根据重建误差来求得每个粒子的权值；
7、最后根据采样的方法来求出最后的目标对象的预测位置；
8、s2：对目标位置的所在目标区域生产稀疏投影矩阵；
9、s3：初始化检测模块和kalman预测模块，同时对图像进行前景检测；
10、s4：载入下一帧视频图像，进行图像前景预测和图像预处理；
11、s5：检测模块检测图像中的目标，跟踪模块跟踪目标；
12、s6：跟踪模块和检测模块进行融合，并判断目标在图像中的情形，生成系统跟踪预框；
13、s7：判断对象跟踪是否失败，如失败，则进行kalman预测；如成功，则进行下一步；
14、s8：判断图像中的目标的遮挡状态，如遮挡严重，则进行kalman预测并显示目标运动轨迹；如遮挡不严重，则在线学习目标模型，实时更新目标模型，纠正跟踪模块中的追踪器和检测模块中的检测器的错误；
15、s9：重复步骤s3-s8，直到视频流结束。
16、进一步地，所述的采样的方法是指：在图像中利用肩发式的规则，选择一部分像素点来计算投影系数的大小，进而根据投影系数的大小来求粒子权值。
17、进一步地，使用所述稀疏投影矩阵对所述长列向量进行压缩，得到低维特征，所述低维特征是特征维数为300低维特征。
18、进一步地，所述低维特征进行再训练，得到一个特征投影矩阵，通过该特征投影矩阵选择出正样本高判别性特征和负样本高判别性特征。
19、进一步地，所述正样本高判别性特征和负样本高判别性特征是维数为70维的正样本高判别性特征和负样本高判别性特征。
20、与现有技术相比，以上一个或多个技术方案存在以下有益效果：
21、本发明提供一种基于压缩感知的鲁棒目标追踪方法，融合了检测模块，通过设置前景检测模块降低计算量，借助了kalman滤波提高目标检测的抗遮挡能力，利用机器学习机制，增强检测模块的追踪鲁棒性。
1.一种基于压缩感知的鲁棒目标追踪方法，其特征在于：包括步骤
2.根据权利要求1所述的一种基于压缩感知的鲁棒目标追踪方法，其特征在于：所述的采样的方法是指：在图像中利用肩发式的规则，选择一部分像素点来计算投影系数的大小，进而根据投影系数的大小来求粒子权值。
3.根据权利要求1所述的一种基于压缩感知的鲁棒目标追踪方法，其特征在于：使用所述稀疏投影矩阵对所述长列向量进行压缩，得到低维特征，所述低维特征是特征维数为300低维特征。
4.根据权利要求3所述的一种基于压缩感知的鲁棒目标追踪方法，其特征在于：所述低维特征进行再训练，得到一个特征投影矩阵，通过该特征投影矩阵选择出正样本高判别性特征和负样本高判别性特征。
5.根据权利要求1所述的一种基于压缩感知的鲁棒目标追踪方法，其特征在于：所述正样本高判别性特征和负样本高判别性特征是维数为70维的正样本高判别性特征和负样本高判别性特征。
