[发明专利]一种利用自适应特征融合的多尺度目标跟踪方法

权利要求书

1.一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于包括以下步骤：

a特征提取步骤，读取图像和初始化目标位置，提取目标图像的HOG特征和CN特征； 提取CN特征时，提取图像的11种颜色的概率大小，根据公式计算求得图像颜色信息熵，使得CN特征的权重为颜色信息熵的大小，不同图片有不同颜色信息熵，从而自适应改变颜色特征的权重； 利用权重参数来调整特征融合的贡献大小，对加权之后的CN特征矩阵与HOG特征矩阵连接在一起组成融合特征，即进行自适应特征融合；

b多尺度分类器训练步骤，利用余弦窗函数对特征矩阵过滤，对特征矩阵进行多尺度放缩，将多尺度特征矩阵转换到傅里叶中计算，得到不同尺度的分类器模型；

c目标检测步骤，读取下一帧视频图像，进行特征提取，将特征转换到傅里叶域，与多尺度模型计算得到最佳目标位置，根据尺度求解方程，通过最大化后验的方式求解目标最优尺度，之后构建贝叶斯尺度估计框架，求出目标最佳尺度；

d模型更新步骤，对新检测到目标位置重新训练分类器，将原分类器与新得到的分类器按照一定的线性比例进行模型更新。

2.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于：上述步骤a中，读入目标图像和初始化目标位置和大小，对目标像素长和宽的乘积求平方根，若大于100，则需要使跟踪目标的长和宽减半。

3.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于：上述步骤a中，提取HOG特征时，cell取2×2个像素大小，统计每个cell形成包含9个bin的直方图，对特征进行归一化操作； 提取CN特征时，提取图像的11种颜色的概率大小，然后利用公式(1)计算图像颜色信息熵

H表示颜色信息熵，p_i＝var(I_i)表示图像某一通道混乱概率，var()表示该通道图像像素方差大小； CN特征的权重为颜色信息熵的大小，对加权之后的CN特征矩阵与HOG特征矩阵连接在一起组成融合特征。

4.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于：上述步骤b中，目标尺度放缩比例系数为：Sn＝{0.985,0.99,1.00,1.005,1.01,1.015}，将目标大小按照这一比例进行放缩，在傅里叶域中，对不同尺度的图像求解分类器，则正则化最小二乘分类器的解为：

其中F表示傅里叶变换，F^-1表示傅里叶逆变换，g表示利用目标大小构造的二维高斯函数，k为输入特征的高斯核函数形式：

其中x和y分别代表HOG特征矩阵和CN特征矩阵，'表示复共轭，和代表特征矩阵经过快速傅里叶变换到频域的形式，C₁为HOG特征通道数，C₂为CN特征通道数，利用公式(2)和(3)就能求得正则化最小二乘分类器。

5.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于：

上述步骤c中，对于输入图像z，k^z表示将图像进行循环移位的形式，目标检测响应可以通过如下公式求得：

构造最优尺度方程，通过最大化后验的方式求解目标最优尺度，尺度求解方程为：

s＝argmaxP(s_i|y)＝P(y|s_i)P(s_i) (5)

其中P(s_i)表示尺度估计的先验项，通过高斯函数表示，高斯函数的中心为上一帧最优的尺度大小：

当前帧观测值为目标在不同尺度下检测响应大小：

这样利用公式(4)检测目标位置，利用公式(5)找出目标的最佳尺度。

6.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法，其特征在于：上述步骤d中，对检测到的目标位置重新训练分类器，更新检测模板，模板更新率参数设置为0.01； 模板更新公式为：

T＝λT_new+(1-λ)T_old (8)

进行新的检测任务，直到视频结束。