[发明专利]一种基于并行注意力相关滤波的视频目标跟踪方法

权利要求书

1.一种基于并行注意力相关滤波的视频目标跟踪方法，其特征在于：将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪，包括以下步骤：

（1）获取SSA位置响应图：首先，针对跟踪目标，在跟踪目标周围的局部域，产生一系列的二值图来描述不同粒度下目标和它的周围场景之间的拓扑结构，将图片从上到下按由粗到细的描述粒度排列，得到一组跟踪目标布尔图，i=1，2，......，，粗粒度布尔图对全局形状信息进行编码描述明显的目标表观变化，细粒度的布尔图描述空间的细节结构；然后，针对跟踪目标定义一个二值滤波器，将作用在布尔图上，获得条件位置响应图，并通过最小化线性回归函数完成学习权重，为每个布尔图学习一个最优的权重，对每个图加权得到最后的位置响应图：

（2）获取ASA目标图：首先，在跟踪目标周围的半局部域采样一系列干扰区域，将岭回归目标函数近似等价为一个度量学习的相关滤波器，在相关视频滤波中学习抗干扰距离度量；然后，引入抗干扰度量正则项，对经目标图像进行抗干扰度量正则相关滤波，将干扰项推入负域，获取目标跟踪图片：

（3）持续跟踪视频目标：通过Log函数建模获得整合SSA和ASA的目标函数，利用该函数对视频目标进行跟踪，并在线更新参数，实现对视频目标的有效跟踪。

2.根据权利要求1所述的基于并行注意力相关滤波的视频目标跟踪方法，其特征在于：所述视频目标跟踪方法的具体步骤如下：

（1）获取SSA位置响应图

（1.1）针对跟踪目标，在跟踪目标周围的局部域，通过下式产生一系列的二值图来描述不同粒度下目标和它的周围场景之间的拓扑结构：

其中，表示第j个像素强度，是一个一元函数，表示一个取整函数，是一个图像块的RGB颜色通道图，T表示转置；

将图片从上到下按由粗到细的描述粒度排列，得到一组跟踪目标布尔图，i=1，2，......，，粗粒度布尔图对全局形状信息进行编码描述明显的目标表观变化，细粒度的布尔图描述空间的细节结构；

（1.2）进行权重学习：针对跟踪目标定义一个二值滤波器，将作用在步骤（1.1）得到的跟踪目标布尔图上，获得一组条件位置响应图，并通过以下最小化线性回归函数完成学习权重，为每个布尔图学习一个最优的权重，对每个图加权，得到一组最后的位置响应图

其中， 是场景中出现目标的区域，是场景中出现的背景区域，是特征的宽度，是特征的高度，是第k帧的分类器参数向量，是目标区域中非空白的像素个数，是背景区域中非空白像素的个数，是一个待优化的权重系数，权重系数通过在线更新，是更新之后的权重系数向量，是融合系数，是当前帧的权重系数向量；

（2）获取ASA目标图

（2.1）在跟踪目标周围的半局部域采样一系列干扰区域将以下岭回归目标函数近似等价为一个度量学习的相关滤波器在相关视频滤波中学习抗干扰距离度量；

其中，是样本矩阵，是向量的DFT，是的第i行，是第i个样本矩阵对应的相关滤波器权重，是所有组成的向量，是高斯型的标签，分别是特征矩阵的宽度和高度，是正则项系数，是马氏距离，且

（2.2）在相关滤波目标函数中引入抗干扰度量正则项，获得抗干扰度量正则相关滤波模型通过该模型对经步骤（2.1）得到的目标图像进一步进行抗干扰度量正则相关滤波，强化对目标特征的判别和跟踪，将滤掉的干扰项推入负域，获取正空间目标跟踪图片

其中，是抗干扰度量正则相关滤波权重中的第k个子向量，是总样本向量中的第k个子向量，是高斯型标签向量中的第k个子向量，是第i个循环样本矩阵对应的权重向量，通过在线更新得到，是求的逆FFT得到的第t帧的跟踪结果，是的共轭转置，是单位矩阵，是正则项系数，是融合系数；

被定义为:

其中，是第i个样本向量，是第k个基础样本的第m个循环样本，是第k个基础样本的第n个循环样本，是样本差异权重；

（4）持续跟踪视频目标

通过Log函数建模，整合SSA和ASA图像，得到如下目标函数：

；

其中，表示获得的SSA位置响应图，表示一系列通道的布尔图，表示布尔图滤波器，表示获得的ASA目标图，表示一个空间相关操作，表示一个待优化的权重系数，表示指数函数，表示目标区域，表示出现在场景中的目标，表示一系列的循环矩阵，其中每个都是通过对移动一个基本HOG特征通道向量得到，所有特征通道都是独立分布的，表示ASA滤波器；

利用该目标函数，对视频目标进行跟踪，并在线更新参数，实现对目标的有效跟踪。

3.根据权利要求2所述的基于并行注意力相关滤波的视频目标跟踪方法，其特征在于：所述正则项系数的取值为0.001，融合系数的取值是0.3。