[发明专利]一种基于相关滤波的目标长时跟踪方法

权利要求书

1.一种基于相关滤波的目标长时跟踪方法，其特征在于，包括以下步骤：

输入数据集，包含所要跟踪目标的视频序列帧；

根据初始帧的目标，提取目标图像的特征；

为目标图像训练相关滤波器，包括平移相关滤波器f_T，长时相关滤波器f_L，尺度相关滤波器f_S；

所述训练相关滤波器，在大小为M×N的图像块p上训练的相关滤波器等价于岭回归模型，训练相关滤波器的线性岭回归的目标函数为：其中f为分类函数，λ为正则化参数，防止训练产生过拟合，x_i表示第i个训练样本，y_i表示第i个期望输出，M表示图像块的高，N表示图像块的宽，w'表示权重矩阵；

利用上一步训练获得的平移相关滤波器估计下一帧的目标位置；

估计目标位置具体包括：在每一帧的跟踪过程中，以上一帧图像中的目标位置为中心，裁剪和图像块p大小相同的图像块z，利用之前在傅里叶域上学习的f_T计算z的响应图，计算公式为通过搜索响应图中的最大值，估计目标的位置；

利用长时相关滤波器对此次跟踪结果进行可靠性判断；

所述跟踪结果可靠性判断具体包括：利用所述响应图的计算公式，计算相关滤波器的相关响应图比较中的最大值与检测阈值T_r的大小，若则此次跟踪结果可靠；反之，此次跟踪结果不可靠，则此时激活在线检测器重新检测，再次利用平移相关滤波器对目标进行重定位；

动态调整学习率η，按照以下公式进行，其中η₀表示初始学习率，t表示视频帧序号，max(·)表示目标响应图的输出最大值，表示在第t帧时候的相关响应值；

利用尺度相关滤波器对定位好的目标位置进行尺度估计，具体包括：以目标位置为中心，设置不同的尺度池S以及目标的宽P^M和高P^N，对于每一个尺度，以目标位置为中心截取大小为s'P^M×s'P^N的图像块，然后将这些截取的图像块重新调整统一的大小为P^M×P^N，通过提取每一个样本块的HOG特征构建一个包含目标多尺度表示的特征金字塔，对于每一个目标尺度目标特征x_s'，都有一个回归目标分数g，s'表示每一个尺度，σ₁尺度控制参数，最优的尺度的求解公式为：s^*表示最优尺度，x_s表示在此尺度下的目标特征；

模型更新与自适应阈值更新，具体包括：

更新目标的运动特征模型和相关滤波器系数更新公式为：其中η为学习率，t为视频帧序号；

为了保持在线检测器的分类能力，更新在线检测器，更新公式为：l(h:(v,c))，τ表示超参数，h表示分类超平面，c表示特征通道的总数；

为了保持f_L的判断准确性，使用运动特征模型更新公式更新目标外观特征模型和f_L；

自适应阈值更新的公式为T＝1-δ+δ·V_max，T_r＝0.6·T，V_max表示当前帧的最大响应值；

输出目标位置。

2.根据权利要求1所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述目标函数的解是一个线性估计，即f(x)＝w^Tx，则岭回归模型对于循环矩阵X具有近似解w，w＝(X^TX+λI)^-1X^Ty，I表示单位矩阵、y表示回归分数，令为x的傅里叶变换，则所以得到傅里叶域上W的解为：其中W为w在傅里叶域的对应表示，为y的复共轭矩阵，χ表示为X在傅里叶域上的对应表示；表示χ的复共轭矩阵。

3.根据权利要求2所述一种基于相关滤波的目标长时跟踪方法，其特征在于：进一步用核函数在核空间训练相关滤波器，核函数表示为：k(x,x')＝φ(x),φ(x')，则f(x)＝w^Tφ(x)＝∑_iα_ik(x_i,x')，其中f(x)为分类器函数，φ(x)和φ(x')分别为x和x'的傅里叶变换函数，α_i为w_i的对偶向量，α_i的求解公式为：为核相关矩阵k的傅立叶转换形式，表示为：x＝[x₁,x₂,...,x_c]为目标对象的多特征通道，c表示特征通道的总数，x'为训练阶段x的另一种表示形式，σ为尺度参数，为傅里叶逆变换，χ_c为在特征通道上的特征，为训练阶段特征通道上的特征的复共轭矩阵表示。