[发明专利]基于快速压缩跟踪算法的尺度自适应目标跟踪方法

权利要求书

1.基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：首先对输入图像进行变换得到加权haar-like特征图像；其次，判断目标是否受到遮挡；当遮挡发生时，采用分块粗搜索-压缩跟踪精搜索的方式跟踪目标；当未遮挡时，采用重心粗搜索-压缩跟踪精搜索的方式跟踪目标；最后，对跟踪窗进行尺度更新；

所述的对输入图像进行变换是采用上下文特征对输入图像进行变换,加权haar-like特征z的计算公式如下：

式中，S为所选择的矩形区域，n为图像的量化位数，y为加权后像素的特征值；

所述的判断目标是否受到遮挡是利用边缘和中心增强的核函数直方图来判断；

在相邻两帧图像的目标区域内建立核函数加权的直方图，加权规则分别采用中心增强和边缘增强；所述中心增强是指像素点离目标中心越近，其所获得的权重越大；像素点离目标中心越远，其获得的权重越小；所述边缘增强是指像素点离目标中心越近，其所获得的权重越小；像素点离目标中心越远，其获得的权重越大；

遮挡判决因子J＝B(pb,qb)-B(pt,qt)，其中B(p,q)表示Bhattacharyya系数；pt,qt表示中心增强核函数的直方图；pb,qb表示边缘增强核函数的直方图；当遮挡未发生时，J值应接近于0；当遮挡发生时，J值将迅速变大；

所述跟踪窗进行尺度更新采用CAMShift算法进行更新，尺度更新如下所示：

定义则跟踪窗的长度l和宽度w为

其中M₀₀为图像的0阶距，M₁₀和M₀₁为图像的1阶距，M₂₀和M₀₂为图像的2阶距；则重心的位置为：

尺度参数σ的更新公式如下：

式中，o^*是当前帧的位置，s′_t是相邻两帧目标尺度变化的估计值，为了降低估计误差和尺度更新的过分敏感，增强s′_t的鲁棒性，引入对尺度变化估计值进行滤波，是所有尺度估计值的均值；λ为更新速度，是一个[0,1]之间的自然数。

2.根据权利要求1所述的基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：

当遮挡发生时，对目标进行分块处理R_i,i＝1,2,…n,n为目标分块总个数；在目标周围λ_f邻域范围内选择步长Δ_f得到目标的可能位置，用朴素贝叶斯分类器进行分类得到各个分类器的响应值；利用位置信息判断各分类器所属的目标区域R_i，计算各目标区域R_i中所有分类器响应值的和S_i，选择和最大的目标区域的中心作为精确搜索的起始位置L₀；在起始位置L₀所属的区域内进行精确搜索，在窗口中心周围λ_c邻域范围利用压缩跟踪检测目标，分类器响应最大值所对应的位置就是目标的位置。

3.根据权利要求1所述的基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：

当未遮挡时，假设M₀₀为图像的0阶距，M₁₀和M₀₁为图像的1阶距，M₂₀和M₀₂为图像的2阶距；则重心的位置为

假设上一帧目标的位置为其重心的位置为在帧图像中，首先以上一帧目标的位置为中心，计算得到目标重心的起始位置多次重复计算目标重心直到相邻两次的计算结果满足收敛的条件为止，并将值赋给利用重心位置得到对应的目标位置将目标位置作为目标精确搜索的起始位置；在周围λ_c邻域范围内采用压缩跟踪检测目标，分类器响应最大值所对应的位置就是目标的位置。

4.根据权利要求2或3所述的基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：

所述的压缩跟踪是一种基于特征压缩的快速鲁棒跟踪算法，它利用一个非常稀疏的随机投影矩阵R对haar-like特征x进行压缩，提取压缩特征v，并利用朴素贝叶斯分类器对v进行分类进而实现目标跟踪；

特征压缩的计算公式为：

v＝Rx

式中，n＜＜m，满足Johnson-Lindenstrauss推论和压缩感知理论中的RIP前提；稀疏投影矩阵R的矩阵元素定义如下：

在提取样本的压缩特征v后，将v输入朴素贝叶斯分类器进行分类，将分类器响应最大值所对应的位置作为目标在新一帧的位置。