[发明专利]一种基于KCF的尺度自适应目标跟踪方法

权利要求书

1.一种基于KCF的尺度自适应目标跟踪方法，其特征在于，包括以下步骤：

步骤1、选择跟踪目标区域，创建初始跟踪窗口及Padding窗，依据跟踪目标尺寸和Padding窗构建余弦窗，构建跟踪目标区域标签；

步骤2、提取Padding窗图像中的FHOG特征，对FHOG特征加窗并转换至傅里叶空间，确定初始模型的循环矩阵，确定核相关滤波器模型；

步骤3、依据初始跟踪目标，构建不同尺度的跟踪目标，在Padding窗尺度不变的条件下，求取不同尺度下Padding窗中的FHOG特征，最终构建跟踪目标尺度特征集合；

步骤4、依据前一帧Padding大小和位置在当前帧提取FHOG特征并加窗处理，依据KCF算法构建候选图像的响应图像，在响应图像中确定最大响应值；

步骤5、依据最大响应值和响应值阈值确定候选区域是否包含跟踪目标，如果不包含，引入Padding窗的扩充机制，最终确定响应图像的真实最大响应和最大位移；

步骤6、依据最大位移和前一帧的位置，确定跟踪目标的粗略位置；

步骤7、在粗略位置提取SPP-FHOG(Spatial Pyramid Pooling-Fused HistogramOriented Gradient)特征，将提取的特征在构建的尺度特征集合中确定跟踪目标的准确尺度，依据此尺度修正余弦窗；

步骤8、确定跟踪目标后，更新核相关滤波的循环矩阵模型和参数；

步骤9、循环执行步骤4、5、6、7、8，实现对跟踪目标的连续跟踪。

2.根据权利要求1所述的一种基于KCF的尺度自适应目标跟踪方法，其特征在于，步骤3中，依据初始跟踪目标，构建跟踪目标尺度特征集合，包括：

在初始帧中，依据跟踪标准视频中的groundtruth_rect.txt中的初始目标位置和初始目标的大小确定跟踪目标矩形窗口的区域即为跟踪目标；

在计算跟踪目标区域的FHOG特征过程中，Cell的大小选择为4×4；针对不同的跟踪视频中跟踪目标尺度不同，以初始帧中选择的跟踪目标尺度为1，以跟踪目标的中心点为中心，将跟踪目标的矩形框按照尺度系数进行缩小，缩小的矩形框提取到的跟踪目标的区域图像即为本尺度对应的跟踪目标图像；跟踪目标的最小尺度对应的M_t×N_t图像，最小尺度的图像像素点数应该满足min(M_t,N_t)≥16；依据此规则，创建15级尺度的图像集合，分别对应图像的尺度为S₁…S₁₅；其中，尺度S₁对应的图像为尺度最小图像M_t,1×N_t,1；求取尺度最小图像M_t,1×N_t,1的FHOG特征描述m₁×n₁×31，记为尺度S_i对应图像的FHOG特征描述为m_i×n_i×31，记为1≤i≤15；不同尺度图像的FHOG特征集合为{m₁×n₁×31，…，m₁₅×n₁₅×31}；最终构建不同尺度下图像的特征描述集

步骤3中，构建基于KPCA进行分类的样本描述集合，包括：

将训练样本尺度特征集合图像采用金字塔均值池化的方式进行池化；池化过程分成三个部分：第一部分为求取在m_i×n_i中所有的31维特征的均值，最终获得整体的31维的整体特征；第二部分为将整个m_i×n_i分割为2×2总共4个区域，分别在每个区域中求取31维特征的均值，最终获得4×31维的特征；第三部分为将整个m_i×n_i划分为4×4共16个区域，分别求取每个区域的31维特征的均值，最终构建16×31维的特征；将所述三个部分计算得到的特征融合最终获得(1+4+16)×31＝21×31维的金字塔均值池化的FHOG特征集合；将样本尺度特征集合图像中的FHOG特征集合转换为21×31维的SPP-FHOG特征集合；将SPP-FHOG特征集合转换为向量的形式，即每一个21×31维的特征转换为行向量的形式，最终将SPP-FHOG特征组合构建为15×(21×31)维的训练特征描述矩阵；

步骤3中，构架基于KPCA的基向量的训练样本的特征描述，包括：

1)将m个原始样本的n个指标构建为m×n的矩阵形式X＝[x₁x₂…x_m]^T，也即为SPP-FHOG特征的15×(21×31)维的矩阵的形式；

2)计算核矩阵，选择高斯径向基核函数，并确定相关系数计算与SPP-FHOG特征对应的核矩阵K；计算公式如式1所示：

其中：1≤p≤m；1≤q≤m；δ为经验设置参数，通过实验设定；

3)应用公式2对核矩阵进行中心化：

其中：K_μv为核矩阵K经过中心化后的核矩阵；K_μw表示核矩阵行中心化的结果，和K_wv表示列中心化的结果，K_wτ表示核矩阵的w行τ列矩阵；

4)运用雅克比迭代的方法求解中心化的核矩阵K_μv的特征值和对应的特征向量，并将特征值进行降序排列，并对对应的特征值进行相应的调整；最终获得经过调整后的特征值λ₁,…λ_m和特征向量v₁,…v_m；

5)通过施密特正交化的方式将特征向量进行正交化为：β₁,…β_m；

6)计算特征值的累积贡献率B₁,…B_m，计算过程如式3所示；依据给定的提取率p，如果B_t≥p，B_t-1≤p，则选择t个主分量β₁,…β_t；

7)计算核矩阵在t个主分量β₁,…β_t上的投影，投影结果表示为Y＝K_μv·β，其中，β＝(β₁,…β_t)；

最终获得的投影数据Y即为原始样本矩阵经过KPCA投影运算后的结果；将SPP-FHOG特征组合构建为15×(21×31)维的训练特征描述矩阵经过KPCA降维，转换为最终的投影矩阵。