[发明专利]基于多维置信度评估学习的视觉目标跟踪算法

权利要求书

1.基于多维置信度评估学习的视觉目标跟踪算法，其特征在于，具体操作步骤如下：

步骤1，跟踪开始前，设置多维置信度评估阈值及融合系数；设置模板失效阈值；连续采样帧数m；滤波器模板和学习率初始化；设置GMM样本空间大小N和设置每帧权值底数a；

步骤2，在第t帧时，对目标区域提取图像特征，利用t-1帧的模板获得滤波器响应图，完成当前帧t的目标跟踪，跟踪结果记为R^t；

步骤3，对跟踪结果R^t分别采用平滑度、重合度以及相似性进行评估，融合三个评估值得到当前帧t跟踪置信度评估分数C^t；

步骤4，若跟踪置信度评估分数C^t大于设定的置信度评估阈值η₃，则将当前帧t存入GMM样本空间中并对GMM样本空间更新得到反之，GMM样本空间保持不变；

步骤5，结合t-1帧及以前帧的跟踪置信度评估分数，计算当前帧t跟踪置信度评估分数C^t的标准差根据和C^t判断跟踪模板是否失效；

步骤6，依据步骤5的判定结果对跟踪模板更新，获得更新后的滤波器模板

步骤7，对于第t+1帧，重复步骤2至步骤6。

2.根据权利要求1所述的基于多维置信度评估学习的视觉目标跟踪算法，其特征在于，步骤1中多维置信度评估阈值包括重合度评估阈值η₀、相似度评估阈值η₁，置信度评估融合系数包含重合度、相似度以及平滑度融合系数(ξ_o，ξ_p，ξ_s)；为提高置信度评估准确性，对连续m帧采样建立权重系数λ，其每帧的权重变化如下所示：

其中，a表示每帧的权重变化程度。

3.根据权利要求1所述的基于多维置信度评估学习的视觉目标跟踪算法，其特征在于，步骤3具体为：

步骤3.1，对连续m帧的跟踪结果进行平滑度采样计算获得平滑度集合s_t＝[s_t-m,s_t-m+1…,s_t]，其平滑度计算公式为：

其中，k＝2(w+h)^-2，w和h为初始时刻在像素坐标系下目标外观的宽度和高度；d_(i,j)为目标中心点从第i帧移动到第j帧的欧式距离；

步骤3.2，依据每帧权重系数λ来融合不同时刻平滑度，采用非线性高斯函数对融合结果进行评估，其平滑度评估函数表示为：

步骤3.3，对连续m帧的跟踪结果进行重合度采样计算获得重合度集合o_t＝[o_t-m,o_t-m+1…,o_t]，其重合度计算公式表示为：

其中，b_i为不同帧目标跟踪结果的矩形框大小；

步骤3.4，依据每帧权重系数λ来融合不同时刻重合度，考虑到重合度与跟踪置信度是非线性关系，其重合度评估函数表示为：

其中，η₀为重合度评估阈值；

步骤3.5，对连续m帧采样并计算约束后的PSR值，获得PSR集合p_t＝[p_t-m,p_t-m+1…,p_t]；PSR的计算公式表示为：

其中，g_max、g_min和g_(x,y)分别为响应图G中最大、最小和坐标为(x,y)的响应值，N为响应图G中元素数量，PSR的波动范围位于[0,1]区间，其约束表达式表示为：

其中，p_t为第t帧的PSR值，p₀为PSR限制因子，考虑到PSR值与跟踪准确度的非线性关系，相似度评估函数表示为：

其中，η₁为相似性评估函数阈值；

步骤3.6，对平滑度、重合度以及相似度的评估值进行融合，融合公式表示为：

C(C^s,C^o,C^p)＝ξ_sC^s+ξ_oC^o+ξ_pC^p (10)

其中，C为跟踪置信度；ξ_s、ξ_o和ξ_p分别为平滑度评估、重合度评估以及相似度评估的权重系数，满足ξ_s+ξ_o+ξ_p＝1，评估函数权重系数的设立原则为：ξ_p≤0.5且ξ_oξ_s。