[发明专利]一种尺度自适应核相关滤波快速目标跟踪方法

权利要求书

1.一种尺度自适应核相关滤波快速目标跟踪方法，其特征在于：通过在KCF框架中引入二维可变带宽高斯窗以促进前背景的分离并添加尺度估计模块，通过图像块特征点匹配结果来估计目标的尺度变化，包括如下步骤：

步骤1.读取首帧图像，并进行初始训练：

步骤1.1.给定初始目标框(u,v,w,h)，确定目标中心为pos1(u,v)、目标大小为target_sz(w,h)，以目标中心截取W×H大小的图像块patch1，确定二维高斯窗gauss；其中，(u，v)为初始目标框左上角在图像的像素点坐标，(w，h)为初始目标框的宽和高；

步骤1.2.对patch1提取f-HOG特征并对其加二维高斯窗，然后进行傅里叶变换，得到处理后图像块特征

步骤1.3.根据图像块特征进行傅里叶变换得频域高斯核自相关矩阵求出岭回归对偶空间学习参数设初始参考模板与参数模板分别为

步骤2.读取下一帧图像，进入检测模块：

步骤2.1.以pos1(u,v)为中心截取W×H大小的图像块patch2，对patch2提取f-HOG特征并对特征汉宁窗cos_w处理，然后进行傅里叶变换，即得处理后图像块特征

步骤2.2.将代入高斯核互相关并进行傅里叶变换，得频域核互相关矩阵同时获得所有可能位移的岭回归响应得分，最大得分所在位置便是目标预测位置pos2(u',v')；

步骤3.进入自适应尺度估计模块：给patch1每个像素位置分配汉宁窗权值w_i，对其加target_sz(w,h)大小二值掩膜以获得感兴趣的部分，并提取这一部分的Shi-Tomasi角点以及生成随机点，这些点表示为{a₁,a₂,…,a_n}，滤除其中权值低于阈值T₁的点，得到{a₁,a₂,…,a_m}；利用Lucas Kanade前后向光流法在patch2中匹配剩余的特征点{a₁,a₂,…,a_m}，滤除低于归一化互相关匹配中值和高于反向光流匹配误差中值的点对，留下可靠的点对集合{a₁,a₂,…,a_k}和{b₁,b₂,…,b_k}；通过计算任意两特征点在相邻帧中的距离比例获得尺度分布集合并对此集合进行w_i加权平均得到加权尺度值最终尺度为加权尺度与中值尺度的平均，即

步骤4.结合pos1(u,v)和pos2(u',v')之间的偏移向量m，与相邻帧可靠点对之间的相对位移向量得到绝对位移M＝{l_i|l_i＝||b_i-a_i-scale*m||}；若所述位移小于阈值T₂，则认为是正常点对，否则认为是异常点对；

步骤5.统计正常点对与异常点对的数量，若异常点对的个数小于正常点对的个数，则更新跟踪框大小，即target_sz(w,h)＝target_sz(w,h)*scale，此时设插值系数factor为0.02；否则，则认为目标处于遮挡中，选择不更新跟踪框大小target_sz(w,h)，并设插值系数为0；

步骤6.将pos1(u,v)更新为pos2(u',v')的值，以pos1(u,v)为中心截取W×H大小的图像块patch1，对patch1提取f-HOG特征并对其加高斯窗，然后进行傅里叶变换，即得处理后图像块特征将代入高斯核函数中并进行傅里叶变换，得频域高斯核自相关矩阵利用该结果求出岭回归对偶空间学习参数并根据target_sz大小更新高斯标记的方差σ'；

步骤7.线性插值更新参考模板model_xf与学习参数model_α，即

model_xf＝(1-factor)*model_xf+factor*xf

步骤8.判断当前帧是否为最后一帧，若是，则结束，否则转入步骤2。

2.根据权利要求1所述的尺度自适应核相关滤波快速目标跟踪方法，其特征在于：所述步骤1中，目标中心搜索区域大小window_sz(W,H)为2.5倍初始目标外接矩形大小。