[发明专利]多特征融合与尺度自适应核相关滤波跟踪方法

权利要求书

1.一种多特征融合与尺度自适应核相关滤波跟踪方法，其特征在于，具体包括如下步骤：

1)获取目标的初始信息，包括目标的位置信息和尺度信息；

2)获取目标区域的融合梯度直方图FHOG特征和降维后的颜色属性CN特征，通过Matlab相应工具包获取，最终获取得到的是31维的FHOG特征，通过Matlab工具包获取11维的CN特征，利用主成分分析法获取降维后的CN特征；

3)通过线性融合的方式，把步骤2)获取的31维FHOG特征、降维后的2维CN特征加上1维的灰度特征，融合后总共34特征作为最终的特征图谱；

4)在步骤3)得到融合特征图谱的基础上，利用核相关滤波器预测目标的平移位置；

5)在步骤4)预测平移位置后，通过添加尺度滤波器来预测目标的尺度变化；

6)在预测目标平移位置和尺度变化后，通过线性插值方法来更新两个滤波模板，进行跟踪，直到最后一帧。

2.根据权利要求1所述多特征融合与尺度自适应核相关滤波跟踪方法，其特征在于，所述步骤2)中利用主成分分析法获取降维后的CN特征具体步骤如下：通过最小化损失函数的方法获得合适的维度降低映射，该损失函数的形式如下：

上式α₁，α₂，...，α_p为常系数项，p为当前图像帧数，为数据项，由当前形式的重建误差组成，其组成形式如下：

上式，M，N代表图像的大小，为当前帧的特征表现形式，B_p是由标准正交向量组成的D₁×D₂维投影矩阵，D₁、D₂分别代表当前帧特征维数和降维后的维数；为第j帧的平滑项，定义如下：

上式为第j帧投影矩阵B_j的第k个基向量，为对应的特征值，可知损失函数只有在时才能最小化，其中I为单位矩阵；

B_p由矩阵的特征值分解得到的前D₂个最大特征值对应特征向量组成，C_p为的协方差矩阵，Λ_j为D₁×D₂维的对角矩阵，其值由组成；上式推导求解得到了一个所需的投影矩阵B_p，通过线性映射得到新的D₂维特征图，即降维后的CN特征。

3.根据权利要求1所述多特征融合与尺度自适应核相关滤波跟踪方法，其特征在于，所述步骤5)具体步骤如下：

建立尺度跟踪模型认为是找到一个最优的相关滤波器h，h由每个特征维度对应的相关滤波器h^l组成，l∈{1，...，d}，d代表目标的特征维数；定义如下损失函数：

上式f^l代表第l个维度的特征图，g为二维高斯期望输出，λ_s为尺度过程正则化系数；通过最小化损失函数就可以得到最优相关滤波器h：

上式大写字母代表其对应小写字母对应的复频域，G代表复频域的期望输出，用一维高斯形状输出表示，F^l代表目标复频域第l维度的特征图，F^K代表目标复频域第k维度的特征图，*为复共轭运算符；得到关滤波器H后，我们的尺度预测输出其中z^l和F^l都是目标复频域第l维度的特征图，区别是z^l是当前帧目标复频域第l维度的特征图，F^l是上一帧目标复频域第l维度的特征图；设共有S个特征尺度，当前帧目标尺度为P×R，每一个特征尺度n为y_s最大值所在的索引，尺度变换后的图像块J_n大小为aⁿP×aⁿR，a代表尺度因子。