[发明专利]背景感知的大分类间隔相关滤波目标跟踪方法

权利要求书

1.一种背景感知的大分类间隔相关滤波目标跟踪方法，其特征在于：

步骤1：在视频的当前帧中确定目标图像区域，如果是第一帧，手工标定出目标图像区域，如果非首帧，则为算法检测出的目标图像区域，并围绕目标中心选择3倍目标尺寸大小的矩形框作为样本采集图像区域；

步骤2：支持相关滤波器的学习

在矩形框区域内提取梯度直方图HOG特征图X，将X每个通道上的特征图作循环平移产生训练样本；

步骤2.1根据平移量赋予样本类别标签；

步骤2.2迭代计算向量；其中在计算的过程中，其中为支持相关滤波器w扩展所得支持相关滤波器的傅里叶变换结果，在处理裁剪矩阵乘积的作用时，先构造出与大小一致的全零矩阵，随后将该矩阵中心块用同样大小的支持相关滤波器的权值矩阵w傅里叶变换结果替换；

步骤3：如果当前帧不是第一帧，则更新支持相关滤波器；

步骤4：在下一帧中，围绕上一帧的目标中心位置裁剪出目标尺寸3倍大小的区域作为目标搜索区域，同样先构造出与大小一致的全零矩阵，随后将该矩阵中心块用同样大小的支持相关滤波器的权值矩阵替换，计算频域形式的响应图将其作傅里叶反变换得到空域上的响应图，最后取响应图上最大值所对应的坐标值与中心位置的偏移量作为目标位置相对上一帧中位置的偏移量，最终，目标在当前帧中的位置就为上一帧中目标位置加上偏移量可得。

2.根据权利要求1所述的背景感知的大分类间隔相关滤波目标跟踪方法，其特征在于步骤2.1根据平移量赋予样本类别标签按照如下步骤进行：

假设第t+1帧视频为当前帧，在当前帧中确定目标图像以后，围绕目标中心取目标尺寸3倍的图像区域作为训练样本的采集区域，通过双线性插值算法将其缩放至第一帧中目标尺寸的3倍大小，在其上提取梯度直方图特征，形成特征图X＝[x₁，x₂，...，x_K]，其中，K是通道数，是每个通道上的m维特征向量；每个通道上特征图作循环平移形成样本集，其被用于支持相关滤波器(w,b)的学习，其中，是支持相关滤波器的权值矩阵，b是偏移量；根据每个样本的位置平移量Δc计算每个样本为正样本的似然度值：

L(x)＝γ·exp(-α||Δc||^β) (1)

γ取值为0.2，α取值为0.05，指数β取值为2；根据上式的结果对每个位置上采集的样本赋予类别标签：

上式中，x表示样本，y表示类别标签，L_u表示判定为正样本时的似然度阈值，具体取值0.09，L_l表示判定为负样本时的似然度阈值，具体取值0.001，也即当L(x)大于L_u时，x的类别标签为正样本，当L(x)小于L_l时，x的类别标签为负样本；当似然度值L(x)位于L_u和L_l之间时，将样本x归为未分类；φ_u表示样本标签不确定的样本集合。

3.根据权利要求2所述的背景感知的大分类间隔相关滤波目标跟踪方法，其特征在于：为了获得可对后续视频中图像区域进行分类的支持相关滤波器，在样本集上学习相关滤波器(w,b)；另外，设置矩阵形式上通过P与每个通道上特征图x_i的乘积对样本进行裁剪，围绕目标中心裁剪出与目标特征图尺寸大小相同的特征区域形成样本；相应的目标函数设置如下：

上式中w_j为w中的第j列向量，ξ＝[ξ₁，ξ₂…，ξ_m]是松弛向量，λ＞0是正则参数，实际取值为0.01；y＝[y₁，y₂，…，y_n]是类标签向量；令则式(3)可改写为：

上式中e表示误差向量，1是每个元素都为1的m维向量；将上式转换到频域内进行求解，可以提高计算效率；

上式中，表示特征图X的傅里叶变换结果，F表示离散傅里叶矩阵，表示求Kronecker积，是标签向量y的离散傅里叶变换结果；表示标签向量y与误差向量e点积后的离散傅里叶变换结果；使用交替优化算法，单独对每个变量求解。