[发明专利]基于模板在线聚类的跟踪方法

权利要求书

1.一种基于模板在线聚类的跟踪方法，包括以下步骤：

1)步骤一：构建初始正模板集；根据目标的初始状态参数Ω_T＝(x,y,w,h,θ)，提取目标外观模型T₁^t＝F(I^t,Ω_T)作为正模板集T^t＝{T₁^t}，其中x,y,w,h,θ分别表示目标的中心位置x和y坐标，宽度、高度和旋角，t为视频帧时刻数，I为视频图像，F为图像上像素点在状态参数Ω_T上的像素映射函数；

2)步骤二：构建初始负模板集；在目标周围区域根据v个背景状态参数{Ω_N,1，Ω_N,2，...，Ω_N,v}，提取背景的外观模型作为负模板集其中v为负模板个数；

3)步骤三：抽取候选目标；在目标跟踪过程中，相邻帧之间目标移动很小，对新的一帧图像，在上一帧跟踪目标位置周围进行高斯采样p(Ω^t|Ω^t-1)～N(Ω^t；Ω^t-1,σ)，σ为以Ω为中心的正态分布的方差矩阵，抽取候n个候选粒子{Ω_Y,1，Ω_Y,2，...，Ω_Y,n}，并提取其外观模型Y_i^t＝F(I^t,Ω_Y,i)作为候选目标

4)步骤四：对候选目标构建似然函数；设t时刻有u个正模板构成的正模板集T^t和v个负模板构成的负模板集N^t，以及n个候选目标构成的候选目标集Y^t，则候选目标与正模板之间的距离为：

其中W是加权矩阵：

W＝K((x_x-x)²+(y_y-y)²) (2)

其中K(x)为高斯核函数，x_x,y_y为像素点在目标模板中的坐标位置，x,y为目标的坐标位置中心；为t时刻第i个候选目标Y_i^t与第j个正模板之间的距离，Dis(A,B)为A,B之间的欧式距离，为标准化系数；则第i个候选目标与所有正模板的距离向量为同样可得到第i个候选目标与所有负模板的距离向量为：η₂为标准化系数；

设与第i个候选目标距离最近的正、负模板索引分别为a^*,b^*，并定义第i个候选目标到正模板集的类内距离为：

其中α,β为加权系数，为第i个候选目标到离它最近的一个正模板距离，并将作为此候选目标到正模板集的类内距离；同时取候选目标到与它最近那个负模板的距离作为此候选目标到负模板集的类内距离为：

其中为第i个候选目标与第j个负模板间的距离；此外将距离候选目标最近的负模板和正模板之间的距离作为基于此候选目标的正模板集到负模板集的类间距离：其中η₃为标准化系数；最后构建以正模板类内距离为主，负模板类内距离为辅，并加入正、负模板类间距离作为补偿的似然函数；则对第i个候选目标构建似然函数为：

其中ε是一个常系数，通过公式(5)将候选目标似然函数值最大的那个候选目标作为跟踪结果；

5)步骤五：正模板集更新；使用在线聚类方法更新正模板集，聚类的主要思想是在一定的相似范围内，仅用一个目标状态来表示相似范围内的一类目标状态；首先要确定每一类能够代表的范围，即确定聚类半径；通过聚类半径上边界和聚类半径下边界两部分共同确定聚类半径，然后通过均值漂移算法联合正模板集和最近一次更新间隔内的跟踪结果进行模板聚类，各类的聚类中心则作为新的正模板集，从而实现模板集的在线更新；

(6)步骤六：负模板集更新；引入负模板集是为了增加算法对背景的判别能力，所以对于负模板采用每帧都更新来适应背景的变化。