[发明专利]一种多特征融合的尺度自适应目标跟踪方法

权利要求书

1.一种基于多特征融合的自适应尺度目标跟踪方法，其特征在于：具体包含如下步骤：

步骤1，在视频的初试帧图像中，根据所给出的目标位置和目标窗口尺度信息，采用循环采样提取目标的hog特征，并构建多尺度样本集序列，训练分类器；

步骤2，采用多尺度分类器检测当前帧图像中的所有候选基准目标，获取分类器的响应值为一序列矩阵，找出每个矩阵中的最大元素值并进行对比，最大元素值最大的矩阵对应的尺度为新目标的最佳尺度，记为η。

步骤3，采用特征融合技术进一步精确定位目标的中心位置,即提取初试帧目标的颜色直方图特征和hog特征，分别训练相关分类器获取响应值，并对其在决策层进行融合，确定目标的位置信息。

2.根据权利要求1所述一种基于多特征融合的自适应尺度目标跟踪方法，其特征在于：在步骤1中，构建多尺度样本集序列，训练分类器的具体方法如下：

步骤1.1，根据第一帧图像给出的目标初始位置，以当前尺度为尺度初始值，对原图像进行不同比例的缩放，得到一系列不同尺度的基样本图像序列；

所有的缩放比例组成一组向量scales_i＝1±am,m＝0,1,.…M,i＝1,2,…,2M+1，其中a∈(0,1)是缩放比例的补偿，为正时，scales_i>1，表示放大的尺度，为负时，scales_i<1，表示缩小的尺度，2M+1是总的缩放比例数；

步骤1.2，对当前帧按照设置好的缩放比例进行缩放操作，对缩放后的多尺度图像进行目标采样，得到多尺度基样本序列x_i，循环移位构建多尺度样本集序列，多尺度样本集序列是对不同尺度的基样本进行循环移位密采样得到的一系列不同尺度的样本集，通过一个置换矩阵来进行操作:

pⁱ上标i表示置换矩阵循环移位的位数，基于x循环移位后的所有样本表示为：x_i＝pⁱx,1,...,n-1，将所有的样本组成一个循环矩阵x，即为样本集：

对不同尺度的所有基样本都进行循环移位密采样后就可以得到一个多尺度样本集序列X^k，表示为：

其中x^k(k＝0,1,…,2M+1)表示基样本序列。

3.根据权利要求2所述的一种多特征融合的尺度自适应目标跟踪方法，其特征在于：

把跟踪问题看为一个线性回归模型的求解，构建线性分类模型f(x)＝w^Tx，对于RLS线性分类器,记y为回归类标签，找到对应的权重w，使得函数f(x)＝w^Tx在样本x上的响应与y的平方误差最小，即有其中λ是正则化项，则有解w＝(X^HX+λI)^-1X^Hy，其中X^H＝(X^*)^T，*表示复共轭，T表示转置。

4.根据权利要求3所述的一种多特征融合的尺度自适应目标跟踪方法，其特征在于：通过非线性映射函数将w表示为x的高维特征矩阵的线性加权利用核函数解决高维特征矩阵点积计算问，此时，对w的求解转换成对权重系数矩阵α的求解,α＝(K+λI)^-1y，其中，α是系数矩阵；K是核矩阵；y是回归类标签矩阵，利用K为循环矩阵这一特性可实现快速计算：其中k^xx是核矩阵K＝C(k^xx)的第一行。

5.根据权利要求4所述的一种多特征融合的尺度自适应目标跟踪方法，其特征在于：根据核相关滤波的方法，对每个尺度的循环样本集都进行岭回归分析，得到一组不同尺度的参数：k＝1,2,...,2M+1，其中，2M+1为总的尺度数，y^k和k^k分别为对应尺度的标记和自相关核。