[发明专利]一种基于核相关滤波的尺度自适应目标跟踪算法

权利要求书

1.一种基于核相关滤波的尺度自适应目标跟踪算法,其特征在于，将KCF算法与DSST算法进行有效融合，既实现了目标尺度自适应，又能在保证跟踪速度的前提下提高跟踪精度，包括如下步骤：

步骤1:手动选择待跟踪目标，建立目标区域的紧包围矩形框，将矩形框区域扩大2.5倍，确定为候选区域；

步骤2:提取候选区域的HOG特征，进行余弦加权，通过傅里叶变换将提取的HOG特征在频域中进行表示；

步骤3:将循环位移产生的样本输入到二维高斯核函数中，生成和样本大小一致的训练标签矩阵；

步骤4:用KCF算法将候选区域进行循环位移产生训练样本，根据样本训练得到位置滤波器；

步骤5:将位置滤波器与候选样本提取的HOG特征在频域中计算得出响应值，根据最大响应值的位置更新当前帧目标位置；

步骤6:以上一帧确定的目标位置为中心，提取33种不同尺度下的HOG特征作为样本训练得到尺度滤波器；

步骤7:将尺度相关滤波器和不同尺度下的样本特征在频域中计算得出响应值，将最大响应值对应的尺度作为当前帧的目标尺度；

步骤8:根据前一帧的目标尺度的变化提取训练集，并重新训练训练分类器；

步骤9:确定当前帧目标位置和尺度；

步骤10:判断当前帧是否为最后一帧，若是，结束；否则转入步骤3。

2.根据权利要求1所述的基于核相关滤波的尺度自适应目标跟踪算法，其特征在于，所述步骤2中，提取的HOG特征通过计算和统计被检测的图像的局部区域的方向梯度来构建特征。

3.根据权利要求1所述的基于核相关滤波的尺度自适应目标跟踪算法，其特征在于，通过循环位移产生更多的样本，训练回归器时结合更多的正负样本，提高回归器的性能，抑制背景负样本的干扰。

4.根据权利要求1所述的基于核相关滤波的尺度自适应目标跟踪算法，其特征在于，目标位置更新过程为：使用高斯核函数，将低维空间线性不可分的特征映射到高维空间之后特征变的线性可分，最小代价函数更新成如下形式：

式中，表示低维向高维的映射函数；<·，·>表示内积；w表示训练样本映射函数的线性组合

根据公式(1)求得核化后岭回归的解，利用快速傅里叶变换计算出最大响应值，确定目标位置。

5.根据权利要求1所述的基于核相关滤波的尺度自适应目标跟踪算法，其特征在于，目标尺度更新过程为：设训练样本为x₁,L,x_t，每个样本对应的输出为g₁,L,g_t，其峰值位于x_j中心，使用岭回归求解最优尺度相关滤波器h_j，如下：

式中，*表示卷积；λ为正则化项，防止过拟合；

根据Parseval定理，进一步将式(2)转换到频域，如下：

式中：H_t，G_j和X_j的大小均为M×N，-表示复共轭矩阵；

求解式(3)得到：

为进一步简化计算，将式(4)的分子和分母分别记为A_j和B_j，对A_j和B_j分别进行更新：

式中，θ为学习率，A_j和A_j-1分别表示当前帧和上一帧的分子。对于新一帧输入图像z，可根据式(7)得到最大尺度相关滤波器响应y：

式中，F^-1表示离散傅里叶逆变换，求得的最大响应值表示新一帧中的目标尺度。

6.根据权利要求1所述的基于核相关滤波的尺度自适应目标跟踪算法，其特征在于，用于尺度评估的目标样本候选尺度参数选择原则为：

aⁿP×aⁿR (8)

当前帧提取训练集的尺寸大小：

式中，P和R分别表示在前一帧的宽和高，尺度因子取a＝1.02，尺度滤波器的总级数S＝33，表示向下取整。

7.根据权利要求1所述的方法，其特征在于，所述步骤8中，根据上一帧确定的目标尺度大小重新提取样本训练滤波器，以线性内插的方式更新位置滤波器和尺度滤波器。