[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

说明书

本发明涉及一种结合特征筛选与二次定位的快速压缩跟踪算法，该算法首先对采集的正、负样本划分子区域，从各个子区域中分别提取压缩特征，根据样本估计出各个压缩特征在正、负类中的分布，然后提出一种基于自适应学习率和正类更新阈值的策略，更新正、负类中的特征分布，最后根据跟踪所处的不同阶段，用不同的采样半径采集不同的候选样本集，并从全部特征中筛选出部分优质特征加权构建分类器，通过检测候选样本集精确定位跟踪目标。本算法结合了特征筛选与二次定位策略，不仅具有更好的抵抗短时遮挡的能力，还有更高的准确性和稳定性，以及良好的实时性。

技术领域

本发明涉及一种结合特征筛选与二次定位的快速压缩跟踪方法，该方法能够应对目标出现短时遮挡的情况，属于图像处理技术领域，可应用于目标的快速跟踪。

背景技术

目前目标跟踪在计算机视觉领域有着非常重要的地位和极其广泛的应用，是近年来的热点研究问题，积累了相当的研究成果。但是由于现有的目标跟踪方法分别存在着计算复杂度高、计算量大、准确性不够以及跟踪速度慢等缺点，所以创造性地结合现有的一些成果，设计出一种准确快速的目标跟踪方法显得尤为迫切。

在计算机视觉领域内，目标跟踪方法主要可分为两大类方法：第一类是传统的目标跟踪方法，第二类是将目标跟踪归结为一个二元分类问题，即目标类和背景类，并通过分类器从背景中检测出目标来实现跟踪。

传统的方法里MeanShift算法对颜色变化敏感，而且受搜索窗口的限制，无法实现运动幅度较大的目标跟踪；CamShift算法对目标与背景颜色相近的跟踪效果会变差；Kalman滤波在非线性场合下不适用，对其使用造成了一定的限制；而粒子滤波则对粒子退化现象很敏感。

第二类方法中粒子滤波框架下L1跟踪算法计算复杂度高，因此限制了它在实时系统中的应用；基于AdaBoost的在线特征选择方法的分类器设计很容易受到噪声的影响，且易因累积误差而导致跟踪漂移；多示例学习跟踪算法可以实时的训练具有判决性的分类器。但是，如果目标发生严重遮挡，分类器更新时仍然会受到遮挡区域的影响，最终因误差积累而导致跟踪漂移；Kaihua Zhang等提出的实时压缩跟踪算法有着不错性能，不过首先压缩特征的随机性较强，会影响分类器的分类准确性，其次压缩特征的分布使用固定学习率进行更新，比较盲目，容易引入噪声，影响抗遮挡性能。再者，跟踪阶段要用分类器检测采样区域内的所有样本，计算量大。因此，针对二元分类的单目标跟踪问题，以不同的思路改进以往方法的不足是可能且有重要意义的。

发明内容

本发明的目的是克服现有技术的上述不足，提出一种具有较好的抗短时遮挡性能，且实时性非常好的结合特征筛选与二次定位的快速压缩跟踪方法(Fast compressivetracking algorithm combining feature selection with secondary localization，简称FSSL-CT)。为此，本发明采用如下的技术方案：

1.根据目标的初始位置，采集正负样本集；

2.用子区域模板对每个样本划分5个子区域；

3.提取压缩特征。用样本的各个子区域之与一系列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，即可得到50个压缩特征；

4.利用正负样本集估计每个压缩特征在正、负类中的分布；

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；

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；