[发明专利]一种具有遮挡感知机制的实时视觉目标跟踪方法

权利要求书

1.一种具有遮挡感知机制的实时视觉目标跟踪方法，其特征在于：

包括如下步骤：

1)位置估计，分别提取搜索区域内的HOG特征学习相关性滤波跟踪器、颜色直方图特征学习贝叶斯概率模型跟踪器，通过解决两个独立的岭回归问题将两者的响应进行同构，利用线性融合的方法确定目标的位置；

2)尺度估计，引入单独的一维相关性滤波尺度估计机制，以估计的位置为中心，获取不同尺度大小的图像块，再将不同大小的图像块统一成固定模板大小，提取fhog特征形成S层特征金字塔，利用hann窗消除边界效应，作为输入，输出的最大响应所对应尺度即看作是最优尺度估计；

3)遮挡感知，完成当前t帧的位置与尺度估计后时，根据“目标相似性”与“背景相似性”判别遮挡情况，划分为未遮挡、局部遮挡与完全遮挡，未遮挡情况下，更新分类器集合C与目标图像块集合F，计算新的“背景相似性”T_t^min，在t+1帧的预测中，未被完全遮挡的情况下，用当前分类器模型预测目标位置，否则在集合中利用最小能量函数选取最优分类器模型，预测目标；

重复上述步骤1)-3)进行连续跟踪；

其中“目标相似性”是指，根据新得到的目标图像块，计算其与最优目标图像块集合F中各个元素之间的相似性，其中最小的相似性度量距离；

“背景相似性”是指，新得到的图像块与其周围图像块的相似性度量的最小距离。

2.根据权利要求1所述的目标跟踪方法，其特征在于，相关性滤波跟踪器与贝叶斯概率模型跟踪器是通过两个独立的岭回归问题进行求解的：

其中h_cf为相关滤波器，β_bayes为权重向量，L_cf与L_bayes损失函数，λ_cf与λ_bayes为正则化参数。

3.根据权利要求1所述的目标跟踪方法，其特征在于，两个独立跟踪器响应的融合系数γ为0.2，

f(x)＝γf_bayes(x)+(1-γ)f_cf(x)。

4.根据权利要求1所述的目标跟踪方法，其特征在于，尺度估计时每个样本提取31维fhog特征，再串联成一个特征向量构成33层金字塔特征，乘以一维hann窗后作为输入。

5.根据权利要求1所述的目标跟踪方法，其特征在于，尺度的选择原则为：

其中，P与R是目标在前一帧的宽和高，a为尺度因子，S为尺度数量。

6.根据权利要求1所述的目标跟踪方法，其特征在于，相似性的度量方法包括马氏距离、中心距、欧氏距离、局部HOG距离、最佳伙伴相似性。

7.根据权利要求1所述的目标跟踪方法，其特征在于，将整个跟踪过程分为三部分，即未遮挡、局部遮挡、完全遮挡。

8.根据权利要求7所述的目标跟踪方法，其特征在于，在感知到目标未被遮挡时，分类器集合C和目标图像集合F会删除最早保存的元素并更新一个新元素，即其中包含了无遮挡情况下最近K个元素，同时“背景相似性”度量T_t^min也随之更新。

9.根据权利要求7所述的目标跟踪方法，其特征在于，在感知到目标被完全遮挡时，利用最小能量函数从分类器集合C中选取最优分类器，并从目标集合F中选取最优分类器所对应的图像块并提取特征，利用所选分类器与特征跟踪新一帧的目标，否则利用t-1帧所得分类器模型参数与特征信息进行跟踪预测。

10.据权利要求9所述的目标跟踪方法，其特征在于，选择最优分类器所采用的最小能量函数为：

其中，C_K为分类器集合C中元素，E(C_K)＝-L(x；C_K)+λ_hH(l|x；C_K)为各分类器能量函数，L(x；C_K)表征似然估计，H(l|x；C_K)是熵正则化项，其中l＝{l₁,l₂}为标签空间。