[发明专利]基于相关滤波的抗遮挡目标跟踪方法

权利要求书

1.一种基于相关滤波的抗遮挡目标跟踪方法，其特征在于，在手动选择跟踪目标之后先使用LCT跟踪器中的运动相关滤波器和外观相关滤波器分别对目标的平移及目标的尺度进行估计并得到目标跟踪结果，并在丢失目标时分别采用在线分类器的检测结果作为跟踪结果以恢复准确目标跟踪或采用重新检测器和LCT跟踪器进行交替继续跟踪；

所述的目标的平移，通过映射和离散傅里叶变换之后，运动相关滤波器w₁的解表示成样本的线性组合，即：w₁＝∑_m，na(m,n)φ(x_m,n)，其中：系数a满足a经离散傅里叶变换后为A，使用高斯核定义核映射φ为k(x,x')＝φ(x)·φ(x')，当处理下一帧时，运动相关滤波器w₁会在上一帧的目标位置附近和M×N大小的图像块z进行相关操作，通过离散傅里叶逆变换到空间域后会得到一幅响应图，即其中：表示学习的目标外观特征，取值范围为[0,1]，0表示黑色，1表示白色，在中拥有最大值的位置就是所得到的目标在新一帧中的目标位置。

2.根据权利要求1所述的方法，其特征是，所述的丢失目标，包括：由于形变、亮度变化、快速运动和复杂背景导致跟踪丢失的目标以及由于全遮挡导致跟踪丢失的目标，其中：当当前帧目标外观相关滤波器响应值低于设定阈值，则启动在线分类器进行检测；当最近的连续5帧目标外观相关滤波器响应值满足目标遮挡判据时，则停止LCT跟踪器跟踪并换用重新检测器从后一帧开始进行目标检测，当未检测到目标时进入下一帧，否则将检测到的目标信息，即目标框宽、高和目标框中心位置再次输入LCT跟踪器进行跟踪，最终得到退出遮挡后的跟踪结果。

3.根据权利要求1所述的方法，其特征是，所述的运动相关滤波器是指：当手动选择的目标框大小为M×N，首先利用循环移位来增加样本数量，得到样本x_m,n，其中：(m,n)∈{0,1,...,M-1}×{0,1,...,N-1}；通过岭回归最小化训练图像与回归目标之间的均方误差，得到运动相关滤波器w₁∈R^M×N，其中：φ表示映射到核空间；根据移位量，给予训练图像高斯标签，当移位量越小，则标签值越接近1，否则接近0，λ为正则化参数。

4.根据权利要求3所述的方法，其特征是，所述的循环移位是指：对于一个n维列向量样本x_n,1＝[x₁,x₂,...,x_n]^T，P为对x做循环移位的置换矩阵，则移位后的样本为P^lx，故获取训练分类器的样本集合{P^lx|l＝0,1,...,n-1}，其中：置换矩阵：将n×1向量x的所有移位组合为循环矩阵其中：第一行是原列向量x，第二行是将x中的元素向右移动一位，其他行以此类推。

5.根据权利要求1所述的方法，其特征是，所述的外观相关滤波器是指：在目标框上提取K个尺度图像的HOG特征x_hog(K)，通过岭回归最小化训练图像与回归目标之间的均方误差，得到外观相关滤波器w₂∈R^M×N，其中：y(K)为二值标签，目标框恰好包围目标的标签为1，其余为0。

6.根据权利要求1所述的方法，其特征是，所述的目标的尺度进行估计是指：在新的一帧得到目标位置之后，使用外观相关滤波器w₂对目标的尺度进行估计，即先将图像块分成K个尺度：每个尺度的图像块大小为sM×sN(s∈S)；随后在每个尺度的图像块上提取HOG特征构建尺度金字塔，在对每一层进行外观相关滤波之后获得K个外观滤波响应图，选择拥有最大值的结果作为目标的最终尺度，即

7.根据权利要求1所述的方法，其特征是，所述的运动相关滤波器w₁和目标外观特征采用以下方式进行更新：其中：α为更新率，t与t-1分别为当前帧与上一帧，分别为a在当前帧以及上一帧的离散傅里叶变换。