[发明专利]基于子区域的自适应随机投影视觉跟踪方法

摘要

本发明公开了一种基于子区域的自适应随机投影视觉跟踪方法，包括4个步骤：生成子区域、构建自适应观测矩阵、中值流跟踪、目标位置确定及参数更新；与现有技术相比，本发明设计了一种对光照，遮挡和尺度干扰有良好特性的视觉跟踪方法。为了缓解光照和遮挡干扰引起的目标外观变化，构建了基于颜色、纹理和空间特征融合的外观模型。为了跟踪目标尺度，设计了一种中值流跟踪策略计算相邻帧的尺度变化。大量实验表明，本文方法在准确度、精度、鲁棒性等方面优于部分state‑of‑the‑art算法，具有推广应用的价值。

主权项

1.一种基于子区域的自适应随机投影视觉跟踪算法，其特征在于：包括4个步骤：生成子区域、构建自适应观测矩阵、中值流跟踪、目标位置确定及参数更新；

生成子区域：

假定W和H分别表示目标的宽高，w和h分别表示子区域的宽高，N表示子区域的数目；不难发现，如果w和h取值过大，模型抗遮挡干扰能力则会降低；反之，如果w和h取值过小，从子区域计算的压缩域特征判别性和稳定性则会降低；与此同时，过大的N还会带来计算负担；

构建自适应观测矩阵：

在随机观测矩阵R中，每一行r_i中全为1或全为‑1的概率p_i可以计算为：

y_i是N个矩形特征的加权和，如果r_i全为1或全为‑1，则压缩域特征y_i表征的是匀质特征，概率为0.3；反之，如果r_i同时含有1和‑1，则压缩域特征y_i表征的是异质特征，概率为0.7；

通过上述分析，得出一种新的随机观测矩阵R′：

在式(11)的定义下，用式(10)的计算方式验证p_i＝0.5，因在随机投影高维特征时，匀值特征和异值特征的概率相等；假设在初始尺度下(假设为1)，原始观测矩阵R₀中某非0元素r₀对应的矩形框为(c，r，w，h)，其中c，r，w，h分别表示矩形框的纵坐标，横坐标，宽度和高度；则在尺度变为s时，在当前的随机观测矩阵R_s中，c，r，w，h将分别取值为(round(c*s)，round(r*s)，round(w*s)，round(h*s))；

中值流跟踪：

(1)从随机生成的矩形框顶点作为中值流的种子点；

(2)利用PLK光流算法前向反向跟踪种子点；

(3)利用FB error和NCC两种误差检测机制滤除跟踪错误的种子点结果；

(4)利用(3)剩下的种子点计算位置及尺度；

目标位置确定及参数更新：

Input：子区域置信度H_i(i＝1，2，…N)

If max(H_i)＜Threshold

停止更新参数

End If

For i＝1，2，…N

If(H_i)＞Threshold

根据式(7‑8)更新参数

End If

End For

Output：更新的分类器参数。