[发明专利]一种适用于水下机器人目标抓取的连续跟踪方法

权利要求书

1.一种适用于水下机器人目标抓取的连续跟踪方法，其特征在于，具体包括以下步骤：

步骤1、基于相关滤波的KCF方法建立核相关运动模型；输入视频序列，在第一帧初始化模型，将跟踪框扩展2.5倍后变为搜索框，然后在搜索框中提取特征向量用作基本样本；基本样本通过循环位移生成虚拟样本用作训练样本；

密集采样通过基样本的循环位移来实现，在采样过程中生成一个样本循环矩阵：

密集采样就是通过循环矩阵的特性将感兴趣区域进行循环位移，为滤波器提供训练样本；根据核函数定理，样本循环矩阵映射到核空间后依然保持循环特性；

步骤2、提取训练样本的HOG特征，基于核相关滤波的跟踪器采用正则化的最小二乘分类器进行训练来建立表观模型；

HOG特征提取的具体方法为：

步骤2.1、将样本区域分成若干区域，然后每个区域提取32维特征，即3×nOrients+5，其中nOrients＝9为梯度方向划分的盒子即bin个数，每个方向提取三个特征，包括两个对盒子敏感的，一个是不敏感的，另外4个特征表观纹理，最后一个为零，表示阶段特征；

步骤2.2、将每个细胞单元提取的31个特征并联起来，假设单元的划分结果是m×n,那么f-HOG提取的结果为m×n×31，称这31个方向为通道；

步骤2.3、通过细胞单元的循环漂移生成样本，对应的就是每一通道对应位置的移位，所有样本的第i通道都是由生成图像的第i通道循环漂移获得的；建立表观模型的具体方法为：

基于核相关滤波的跟踪器采用正则化的最小二乘分类器进行训练，基于上述生成的样本集训练分类器f(z)使得正则化风险最小化：

其中y_i表示对应训练样本的回归目标的期望输出，y总体期望遵循高斯分布，λ是正则化参数，防止过拟合；目标函数为：f(z)＝w^Tz，上式求得的极小值有闭环解，即为相关滤波模板：

w＝(X^TX+λI)^-1X^Hy

其中，I是单位阵；

针对非线性问题，引入核函数法，假设是一个从低维输入空间到高维空间的映射，则核函数表示和在高维空间的互相关，上式的滤波器模板系数w是循环漂移生成的样本集的线性组合，即

将之前求w的问题转化为求核正则化最小二乘分类器的解α＝[α₀,...,α_n-1]^T的问题：

α＝(K+λI)^-1y

其中，K是核函数矩阵，其元素为K_ij＝κ(Pⁱx,P^jx)；若核函数满足κ(x,x')＝κ(Px,Px')，那么核函数矩阵是一个循环矩阵；

根据循环矩阵的性质将上式转化到频域计算：

其中，k^xx是核函数矩阵K的第一行，K＝C(k^xx)，即滤波器的训练过程只需要计算基样本在高维空间的自相关；

在测试时，使用K^Z表示训练样本和测试样本之间的核矩阵，训练样本由训练基样本循环漂移生成，测试样本由候选基样本循环漂移生成；最终得到各个测试样本的响应：

找到最大的f(Z)所在位置即为跟踪目标；

步骤3：对连续N帧目标中心的像素位置变化量进行自判别，若连续N帧目标中心的像素位置变化量小于给定阈值，认为发生跟踪漂移，重新初始化跟踪器；

针对连续跟踪的需要，提出一种基于系统置信度自判别机制，以判别是否因为目标相似或遮挡造成误跟踪；自判别机制为：

其中，δ是为一个极小的数，防止AS→∞；f_max，f_ave和f_xy分别表示当前帧响应最大值，平均值和第x行、第y列的元素的响应值；对于尖锐且少噪声的响应图，AS指标会变大，此时认为跟踪的目标准确；反之，AS指标会明显减小；当AS≤ζ₁AS_ave时，认为当前帧存在遮挡，通过检测器重新初始化跟踪器；此机制来判断目标是否发生遮挡，当目标发生遮挡时停止更新，以提高跟踪的鲁棒性。