[发明专利]一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法

权利要求书

1.一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于包括以下步骤：

1)对于给定的目标，由目标及其上下文构造一个基本样本，训练样本由这个基本样本的所有循环平移样本构成，这些循环平移样本的标签由高斯函数确定，DCF训练多通道相关滤波器的损失函数；

2)在多任务学习中，将排它性稀疏正则项与组稀疏正则项整合到一起构造组内-组间稀疏正则项，在目标跟踪中，基于DCF的跟踪器在滤波器学习中引入时间一致性约束来缓解DCF随时间退化的问题，引入组内-组间稀疏正则项以及时间正则项定义回归损失函数，以学习稀疏相关滤波器；

3)基于步骤2)定义的回归损失函数进行通道剪枝，将冗余的滤波器整体去除，以进一步加速计算过程，通过去除某个特定通道的滤波器来计算回归损失的变化；根据重要性程度对D通道滤波器进行排序，选取排序靠前的C个通道滤波器进行跟踪；

4)构造拉格朗日函数，采用ADMM算法优化回归损失，完成基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪。

2.如权利要求1所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于在步骤1)中，所述对于给定的目标，由目标及其上下文构造一个基本样本，训练样本由这个基本样本的所有循环平移样本构成，这些循环平移样本的标签由高斯函数确定，DCF训练多通道相关滤波器的损失函数的具体方法为：

在第t帧，对于给定的目标，由目标及其上下文构造一个基本样本，训练样本由这个基本样本的所有循环平移样本构成，这些循环平移样本的标签由高斯函数确定，DCF训练多通道相关滤波器的损失函数定义如下：

其中，为循环卷积运算符号，X_t∈R^M×N×D和W_t∈R^M×N×D分别为第t帧的基本样本和滤波器，Y∈R^M×N为由高斯函数确定的标签，M、N和D为分别表示宽度、高度和通道数，ξ为正则项参数；滤波器学习的目标是最小化损失函数在公式(1)中，表示基本样本的多通道特征均被用来训练多通道相关滤波器。

3.如权利要求2所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于在步骤2)中，所述在多任务学习中，将排它性稀疏正则项与组稀疏正则项整合到一起构造组内-组间稀疏正则项，如下所示：

其中，表示W_t中位于(m,n)位置的向量，表示W_t中位于(m,n,d)位置的元素，θ为权重参数用以平衡排它性稀疏与组稀疏正则项；

组稀疏在通道上进行l₂范数然后在空间上进行l₁范数，用于去除空间上冗余的特征，使得滤波器在空间上稀疏；排它性稀疏在通道上进行l₁范数然后在空间上进行l₂范数，用于去除通道上冗余的特征，使得滤波器在通道上稀疏。

4.如权利要求3所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于权重参数θ＝0.2。

5.如权利要求3所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于在步骤2)中，在目标跟踪中，基于DCF的跟踪器在滤波器学习中引入时间一致性约束来缓解DCF随时间退化的问题，引入的时间正则项如下所示：

其中，W_t-1表示第t-1帧的滤波器；

引入组内-组间稀疏正则项R_EG(W_t)以及时间正则项R_T(W_t)定义回归损失函数，以学习稀疏相关滤波器，回归损失函数如下所示：

其中，λ和μ分别为R_EG(W_t)和R_T(W_t)的正则项参数。

6.如权利要求5所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法，其特征在于所述正则项参数λ＝1.0×10^-4，μ＝5。