[发明专利]一种结合特征筛选与二次定位的快速压缩跟踪方法

权利要求书

1.一种结合特征筛选与二次定位的快速压缩跟踪方法，所述方法包括下列步骤：

步骤1：根据目标的初始位置，采集正、负样本集；

步骤2：用子区域模板对每个样本划分5个子区域；

步骤3：提取压缩特征；用样本的各个子区域与不超过子区域范围的不同尺度的矩形滤波器卷积，得到多尺度特征，将这些特征组成的高维向量通过随机测量矩阵降到低维，得到50个压缩特征；

步骤4：利用正负样本集估计每个压缩特征在正、负类中的分布；

步骤5：利用Bhattacharyya系数度量相邻两帧之间每个压缩特征在正、负类之间分布的差异，并设定更新阈值，当差异超过更新阈值时，才更新正类特征分布，否则保持原有分布；

步骤6：利用Bhattacharyya系数度量相邻两帧之间每个压缩特征在正、负类之间分布的差异，将此差异作为学习率，更新压缩特征的分布参数；

步骤7：根据步骤6中得到的分布差异计算对应特征的权值，对特征按其权值从大到小排序，根据需要按权值选取压缩特征加权构建朴素贝叶斯分类器；

步骤8：以5个像素为采样间隔对候选区域内的样本采样，通过分类器找出跟踪目标的粗略位置；

步骤9：以步骤8中得到的位置为中心，缩小候选区域范围，采集该区域内的所有样本，通过分类器找到目标的最终位置。

2.根据权利要求1所述的结合特征筛选与二次定位的快速压缩跟踪方法，其特征在于，步骤5中，用Bhattacharyya系数度量相邻两帧之间目标特征分布的变化，并设定更新阈值，判断是否更新特征分布；当目标出现遮挡时，特征分布的变化会比无遮挡情况下大，此时不更新特征的分布。

3.根据权利要求1所述的结合特征筛选与二次定位的快速压缩跟踪方法，其特征在于，步骤6中，将特征在正、负类中的分布差异作为学习率，使更新后的特征分布更能准确的反映特征在正、负类中的真实分布。

4.根据权利要求1所述的结合特征筛选与二次定位的快速压缩跟踪方法，其特征在于，步骤7中，利用特征在正、负类中的分布差异计算特征的加权，依据权值对特征进行筛选，对筛选出的特征加权构建分类器。

5.根据权利要求1所述的结合特征筛选与二次定位的快速压缩跟踪方法，其特征在于，步骤7、8、9中，采用二次定位的策略；在两次定位过程中，使用不同的采样间隔采集样本，同时根据特征权值筛选特征构建分类器。