[发明专利]一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法

权利要求书

1.一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的方法包括下列步骤：

S1、输入视频序列的第一帧图像后，根据用户的指定确定跟踪目标所在的区域，利用SLIC算法重构目标的外观模型，对目标进行超像素分割，并用k-means聚类算法聚类成若干个超像素中心；然后，计算上述每一超像素中心的L-K光流，从而在下一帧图像中找到与之对应的每一像素点；之后根据相邻两帧图像的对应像素点的位置，分析像素点的位移变化，进而预测出需要跟踪目标的运动偏移量和尺度变化；所述的步骤S1具体包括：

S101、第一帧图像确定需要跟踪的目标后，以目标区域的指定倍数为搜索区域，并将搜索区域变换到CIELAB颜色空间中；

S102、根据搜索区域的像素数量N和聚类中心数量k，将搜索区域等像素间隔划分，并在网格上随机初步选定k个聚类中心的位置；

S103、计算每个聚类中心3×3像素邻域内所有像素点的梯度值，将聚类中心移至该邻域内梯度最小值对应处，而对于每个像素，在其2S×2S邻域内用k-means算法聚类到距离最近的像素中心类；重复上述过程直至误差收敛，得到超像素分割后能够表征目标信息的超像素中心C_i；

S104、计算上述每个超像素中心的L-K光流后,找到下一帧图像中与之对应的光流点O_i；根据相邻两帧图像的对应像素点的位置，用公式(1)计算并得到像素点的位移变化量序列：

其中，X和Y分别是位移变化的横、纵坐标序列，C_i.x和C_i.y分别是超像素中心的横、纵坐标，以及O_i.x和O_i.y分别是对应光流点的横、纵坐标，n是相邻帧中能够匹配到的光流对数量，abs(·)是代表绝对值计算，因此，利用超像素光流法预测出的跟踪目标的运动偏移量(Δx,Δy)为：

(Δx,Δy)＝(median(X),median(Y)) (2)

其中median(·)是求中值运算；

S105、根据式(3)分别计算当前帧图像中每一个超像素中心与其余超像素中心的欧氏距离对D_r，以及下一帧图像中每一个光流点与其余光流点的欧氏距离对D_p：

其中dist(·)是计算欧式距离，因此，利用超像素光流法预测出的跟踪目标的尺度变化因子S_f为：

S2、基于上一步骤中预测出的目标运动偏移量在下一帧图像中进行循环采样后，将目标跟踪的任务分解成两个子任务:目标位置检测和目标尺度检测；对每个样本均使用引入自适应学习因子改进后的基于高斯核的相关滤波目标跟踪方法，通过傅里叶分析计算每个样本的置信图响应值并得到最大响应值对应的位置，检测出目标的准确位置；之后，在最大响应值对应的位置，分别用不同尺度的目标区域框与上一帧跟踪的目标区域进行相关卷积，得到最大尺度响应值，进而检测出目标的准确尺度；所述的步骤S2具体包括：

S201、根据预测出的目标运动偏移量(Δx,Δy)，在获取的新一帧大小为N×M图像块z中以p_x+Δx,y+Δy循环移位进行循环采集样本，则区域内的所有样本为p_x,y，(x,y)∈{0,...,N-1}×{0,...,M-1}；

S202、对每个样本均使用基于高斯核的相关滤波目标跟踪方法，完成目标位置检测于是转化为最小化代价函数ε：

其中，r(x,y)是目标的回归模型，φ是对Hilbert空间的映射，λ₁是正则化系数，因此式(5)的闭式解为：

w＝∑_x,yα(x,y)φ(p_x,y) (6)

其中系数α为：

其中，A是相关滤波模型系数，是离散傅里叶变化运算，核函数k^p＝κ(p,p)；

S203、根据式(8)计算图像块z置信图的响应值为：

其中，是目标位置滤波模型，⊙是Hadamart乘积运算，因此，新一帧图像中检测到的目标中心C_t在置信图中最大响应值对应的位置，以及自适应历史学习因子δ为：

其中，δ₀是初始化学习因子参数，t是帧数的索引值，以及max(·)是求最大值运算；

S204、完成目标尺度检测：在目标中心C_t的对应位置小邻域范围内循环采样后，训练目标外观相关滤波器R_s，根据步骤S1中预测出的目标尺度变化因子S_f和式(10)求得当前帧中目标的尺度变化步长S_s为：

S_s＝(S_s,0-1)+S_f (10)

其中，S_s,0是初始尺度步长参数，然后以S_f为基准，根据尺度变化步长S_s得到目标实际尺度范围Φ为

Φ＝{S_f±(S_s×i)} (11)

其中，i＝{0,1,...,(L-1)/2}，L是尺度范围Φ中可能的尺度个数；

S205、将尺度范围Φ中的各尺度的目标区域框与上一帧跟踪的目标区域进行相关卷积，并得到卷积响应值因此，新一帧图像中检测到的准确的目标尺度为卷积响应最大值对应的尺度；

S206、利用自适应学习因子δ学习历史可靠正样本根据式(12)分别更新目标位置滤波模型和相关滤波模型系数准备下一帧目标的跟踪：

S3、采用在线双SVM检测模型对跟踪结果的可靠性进行检测校正，输出目标跟踪结果；所述的步骤S3具体包括：

S301、若步骤S201中捕获的是第一帧图像，由于第一帧中目标信息已知，则可认为该结果是最可靠的，因此根据目标位置循环采样并提取其特征Ψ，以及提取历史可靠正样本的特征Υ，用于建立双SVM检测模型；

S302、根据样本特征Ψ，利用双SVM校正方法的优化目标为：

其中，ω是权重向量，C是常数，ξ_i是松弛变量，x_i是特征向量，y_i为正负标签以及b是偏置值；

S303、当再捕获新一帧图像并完成跟踪后，双SVM检测模型对跟踪结果的可靠性进行检测校正：提取样本特征Ψ，根据式(14)计算出对应的分数序列值：

γ_s＝ω^T×Ψ+b (14)

找出最大分数值对应的图像块；

S304、根据式(8)重新计算此图像块置信图的响应值记为而步骤S203中检测出的目标中心C_t在置信图中的最大响应值记为若满足下式：

其中λ₂是响应值校正倍率，则说明双SVM检测模型检测出的目标结果相较于初步的目标跟踪结果更为可靠，实现了对目标跟踪结果的优化目的，校正后的跟踪结果为最终的目标跟踪结果；若不满足式(15)，则说明双SVM检测模型校正失败，初步的目标跟踪结果即为最终的目标跟踪结果；

S305、双SVM检测模型对跟踪结果的可靠性进行检测校正后，分别对两个SVM进行训练：对于第一个SVM，检测校正结束后即采用passive-aggressive在线学习策略进行更新，计算铰链损失函数l_hinge：

l_hinge＝max(0,1-y_i×x_i×ω),i＝1,2,...,m (16)

权重向量ω直接根据式(17)更新为：

对于第二个SVM，则在检测校正失败后才进行更新，结合历史可靠正样本和当前帧中的正样本根据式(13)重新训练出权重向量ω和偏置值b。