[发明专利]基于子区域的自适应随机投影视觉跟踪方法

权利要求书

1.一种基于子区域的自适应随机投影视觉跟踪方法，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R_o中某非0元素r_o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；

其中式(7-8)为：

式中，γ＞0表示学习率参数，

和

分别表示方差和均值。