[发明专利]一种基于相关滤波器的目标跟踪检测方法

权利要求书

1.一种基于相关滤波器的目标跟踪检测方法，其特征在于，包括以下步骤：

步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T-1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；

步骤2，对第t′帧图片目标搜索域区域分别进行HOG特征提取，得到第t′帧图片目标搜索域区域的HOG特征向量f_HOG，t′；1≤t′≤T，t′的初始值为1；

步骤3，令t′的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量f_HOG，1至第T帧图片目标搜索域区域的HOG特征向量f_HOG，T；

初始化：令t∈{2，3，…，T}，令表示第t帧图片目标搜索域区域，t的初始值为2；设定常量阈值为

步骤4，确定相关滤波器，并将第t帧图片目标搜索域区域的HOG特征向量f_HOG，t作为相关滤波器的输入，计算第t帧图片的HOG特征响应矩阵即为相关滤波器的输出，进而得到第t帧图片的HOG特征响应矩阵中的最大值；

步骤5，根据第t帧图片的HOG特征响应矩阵中的最大值和常量阈值得到第t帧图片的目标中心点

步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点后结束跟踪，至此得到了第2帧图片的目标中心点至第T帧图片的目标中心点以及根据第1帧图片上目标位置得到第1帧图片的目标中心点实现了T帧图片中每个目标的实时跟踪；

其中，在步骤1中，计算T帧图片目标搜索域区域，其过程为：

1.1计算得到第1帧图片上目标的熵E(q₁)与第2帧图片上第k-1次更新后目标搜索域区域的熵E(s_k-1)之间的比R(k-1)，其表达式为：

R(k-1)＝E(q₁)/E(s_k-1)

其中，1≤k≤K，K为设定的搜索域更新次数最大值；k的初始值为1，s_k-1表示第2帧图片上第k-1次更新后目标搜索域区域，p_k-1，2，l表示第2帧图片内灰度值l在s_k-1中出现的概率，log₂表示底数为2的对数，b₂表示第2帧图片中的灰度值最大值；p_1i表示第1帧图片内灰度值i在q₁中出现的概率，b₁表示第1帧图片中的灰度值最大值，q₁表示第1帧图片上目标大小；

1.2令k的值加1，且令s_k-1＝s_k-2-Q，返回1.1，直到得到第1帧图片上目标的熵E(q₁)与第2帧图片上第k-1次更新后搜索域的熵E(s_k-1)之间的比R(k-1)或者s_k-1＝1.2q₁时停止更新，将停止更新时对应的第1帧图片上目标的熵与第2帧图片上第k-1次更新后搜索域的熵之间的比，记为第1帧图片上目标的熵E(q₁)与第2帧图片上第k′次更新后搜索域的熵E(s_k′)之间的比R(k′)，1≤k′≤K，k′表示停止更新时对应的更新次数；其中，Q为设定常数，0＜Q＜1；

1.3根据第1帧图片上目标的熵E(q₁)与第2帧图片上第k′次更新后目标搜索域区域的熵E(s_k′)之间的比R(k′)，并通过如下公式得到第2帧图片上的最优目标搜索域区域，记为第2帧图片目标搜索域区域

其中，表示取最小时对应的j值，R(j-1)表示第1帧图片上目标的熵E(q₁)与第2帧图片上第j-1次更新后目标搜索域区域的熵E(s_j-1)之间的比，表示第2帧图片目标搜索域区域的最优更新次数，Q为设定常数，0＜Q＜1；令第1帧图片目标搜索域区域O表示设定整数，O＞1；

1.4令表示第t帧图片目标搜索域区域，q_t-1表示第t-1帧图片上目标大小，t∈{2，3，…，T}；

1.5令t的值从2取至T，重复执行1.4，直到得到第T帧图片目标搜索域区域将第2帧图片目标搜索域区域至第T帧图片目标搜索域区域以及第1帧图片目标搜索域区域记为T帧图片目标搜索域区域，然后将t的值初始化为2；

在步骤2中，所述第t′帧图片目标搜索域区域的HOG特征向量，其得到过程为：

2.1对第t′帧图片目标搜索域区域进行灰度化，得到灰度化后第t′帧图片目标搜索域区域；然后采用Gamma校正法对灰度化后第t′帧图片目标搜索域区域进行颜色空间的标准化，进而得到Gamma校正法后第t′帧图片目标搜索域区域，所述Gamma校正法后第t′帧图片目标搜索域区域中包括A×B个像素，A表示Gamma校正法后第t′帧图片目标搜索域区域的高，B表示Gamma校正法后第t′帧图片目标搜索域区域的宽；再计算Gamma校正法后第t′帧图片目标搜索域区域中A×B个像素的梯度，得到A×B个像素的梯度值；A、B分别为大于0的正整数；

2.2将Gamma校正法后第t′帧图片目标搜索域区域中每C×C个像素分别作为一个单元cell，进而得到月个单元cell，表示向下取整；确定每个单元cell包含H个梯度方向；将每个单元cell的H个梯度方向分别记为对应单元cell的梯度直方图，进而得到月个单元cell的梯度直方图，每个单元cell的梯度直方图都为H×1维；将月个单元cell的梯度直方图作为月个单元cell的特征描述符；C、H分别为大于0的正整数；

2.3将月个单元cell中每D×D个单元cell分别组成一个块block，进而得到F个块block，表示向下取整；将每个块block内D×D个单元cell的特征描述符分别依次串接起来，进而得到F个块block的HOG特征描述符，所述F个块block的HOG特征描述符都为H×D维；D、F分别为大于0的正整数；

将F个块block的HOG特征描述符依次串接起来，得到第t′帧图片的HOG特征描述符，所述第t′帧图片的HOG特征描述符为H×D×F维；将第t′帧图片的HOG特征描述符按照块block个数维依次串接，形成H×D维矩阵，所述H×D维矩阵为第t′帧图片目标搜索域区域的HOG特征向量f_HOG，t′；

在步骤4中，所述第t帧图片的HOG特征响应矩阵以及所述第t帧图片的HOG特征响应矩阵中的最大值，其得到过程为：

4.1令y_t-1表示第t-1帧图片上目标大小q_t-1的二维高斯分布矩阵，大小为M_t-1×N_t-1；第1帧图片上目标大小q₁的二维高斯分布矩阵大小至第T-1帧图片上目标大小q_T-1的二维高斯分布矩阵大小取值分别相等；令y_t-1(m，n)表示二维高斯分布矩阵y_t-1上坐标(m，n)处的值，0≤m≤M_t-1，0≤n≤N_t-1，则y_t-1(m，n)的计算公式为：

y_t-1(m，n)＝exp(-((m-M_t-1/2)²+(n-N_t-1/2)²)/σ_t-1²)，

其中，w_t-1表示第t-1帧图片上目标大小q_t-1的宽，h_t-1表示第t-1帧图片上目标大小q_t-1的高，exp表示指数函数；

计算得到第t帧图片目标搜索域区域的最优HOG拟合代价系数

其中，将满足时对应的值，记为第t帧图片目标搜索域区域的HOG拟合代价系数ω_HOG，t；ε表示第一设定常数，表示的核函数，表示第t帧图片目标搜索域区域的HOG特征向量f_HOG，t中坐标(m₁，n₁)处的值，0≤m₁≤H，0≤n₁≤D；y_t-1(m，n)表示二维高斯分布矩阵y_t-1上坐标(m，n)处的值，0≤m≤M_t-1，0≤n≤N_t-1，M_t-1表示二维高斯分布矩阵y_t-1的行数，N_t-1表示二维高斯分布矩阵y_t-1的列数；λ表示固定的二维高斯分布矩阵，大小为M×N，其中心点大小为0.0001，从中心点往各个方向数值逐渐减小，第一行与最后一行、第一列与最后一列的数值均为零；将固定的二维高斯分布矩阵λ上坐标(m₂，n₂)处的值记为λ(m₂，n₂)，其表达式为：

λ(m₂，n₂)＝exp(-((m₂-M/2)²+(n₂-N/2)²)/σ²)

其中，0≤m₂≤M，0≤n₂≤N，σ表示第二常数；

4.2设定第t帧图片目标搜索域区域的HOG系数矩阵为a_HOG，t，a_HOG，t为R_t×Q_t维，R_t与H取值相等，Q_t与D取值相等；

对第t帧图片目标搜索域区域的HOG系数矩阵a_HOG，t进行快速傅里叶变换：

其中，F(y_t-1)表示对第t-1帧图片上目标大小q_t-1的二维高斯分布矩阵y_t-1做快速傅里叶变换，φ(f_HOG，t-1)表示第t-1帧图片目标搜索域区域的HOG特征向量f_HOG，t-1的核函数，F(φ(f_HOG，t-1)×φ(f_HOG，t-1))表示对两个相乘后的核函数做快速傅里叶变换FFT；λ表示固定的二维高斯分布矩阵，大小为M×N；F(a_HOG，t)表示对第t帧图片目标搜索域区域的HOG系数矩阵a_HOG，t做快速傅里叶变换；

将F(a_HOG，t)做逆快速傅里叶变换，得到第t帧图片目标搜索域区域的HOG系数矩阵a_HOG，t；

4.3分别计算第t帧图片的HOG特征响应矩阵

其中，表示第t帧图片的目标模板，q_g表示第g帧图片上的目标大小；表示第t帧图片目标搜索域区域的核函数，表示第t帧图片的目标模板的核函数，表示对和相乘后的结果进行快速傅里叶变换FFT，⊙表示点乘，表示对做逆快速傅立叶变换；

4.5找到第t帧图片的HOG特征响应矩阵中的最大值，记为第t帧图片的HOG特征响应矩阵中的最大值Y_HOG，t。

2.如权利要求1所述的一种基于相关滤波器的目标跟踪检测方法，其特征在于，在步骤5中，所述第t帧图片的目标中心点其得到过程为：

设定一个可以存放V个矩阵大小的数组ah，其中每一个矩阵都和第t帧图片目标搜索域区域的HOG系数矩阵a_HOG，t大小一样；数组ah的大小为H×D×V，4≤V≤6；数组ah中的V个矩阵依次记为α_ah1，α_ah2，…，α_ahV；

当t取2至V+1时，将第2帧图片目标搜索域区域的HOG系数矩阵a_HOG，2至第V+1帧图片目标搜索域区域的HOG系数矩阵a_HOG，V+1分别对应作为数组ah中的V个矩阵，数组ah中的第1个矩阵α_ah1为第2帧图片目标搜索域区域的HOG系数矩阵a_HOG，2，数组ah中的第2个矩阵α_ah2为第3帧图片目标搜索域区域的HOG系数矩阵a_HOG，3，数组ah中的第V个矩阵α_ahV为第V+1帧图片目标搜索域区域的HOG系数矩阵a_HOG，V+1；将第t帧图片的HOG特征响应矩阵中的最大值Y_HOG，t所在位置作为第t帧图片的目标中心点

当t≥V+2时，比较第t帧图片的HOG特征响应矩阵中的最大值Y_HOG，t与阈值的大小，若则将第t帧图片的HOG特征响应矩阵中的最大值Y_HOG，t所在位置作为第t帧图片的目标中心点并将第t帧图片目标搜索域区域的HOG系数矩阵a_HOG，t与数组ah中的第γ个矩阵α_ahγ进行替换，2≤γ≤V，γ的初始值为2，令γ的值加1；当γ取值为V时，替换后γ的值变为2；其中，数组ah中的第1个矩阵α_ah1不会被替换；

若则计算得到V个响应矩阵，其中第u个响应矩阵为其表达式为：

其中，表示第t帧图片的目标模板，q_g表示第g帧图片上的目标大小；表示第t帧图片目标搜索域区域的核函数，表示第t帧图片的目标模板的核函数，表示对和相乘后的结果进行快速傅里叶变换，⊙表示点乘，表示对做逆快速傅立叶变换，F(a_ahu)表示对数组ah中的第u个矩阵α_ahu进行快速傅里叶变换，1≤u≤V，V表示设定正整数，4≤V≤6；

然后分别找到V个响应矩阵中的最大值，分别记为第1个响应矩阵中的最大值Y_ah1、第2个响应矩阵中的最大值Y_ah2、…、第V个响应矩阵中的最大值Y_ahV，比较V个响应矩阵中的最大值，选取其中最大的一个最大值所在位置作为第t帧图片的目标中心点