[发明专利]一种融合学习机制的目标跟踪方法

权利要求书

1.一种融合学习机制的目标跟踪方法，先识别视频数据流中的目标人脸，再对目标人脸进行跟踪，达到自动跟踪目标人脸的效果：其特征在于：结合在线人脸学习与识别算法以及改进的KCF跟踪算法对目标人脸进行跟踪；通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征，使得人脸识别的结果不受光照变化的影响；同时利用改进的KCF跟踪算法，检测三个尺度大小不同的窗口对目标的响应，选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口，实现尺度自适应的目标跟踪；当目标短暂离开摄像头视域范围时，重新识别目标人脸，重新初始化KCF跟踪器，实现对目标人脸的长期跟踪。

2.根据权利要求1所述的的融合学习机制的目标跟踪方法，其特征在于：首先，进行人脸检测，确定目标人脸的位置并提取目标人脸光照不变特征特征；其次，使用IHDR算法增量式地学习由人脸特征向量与对应姓名标签之间的映射关系；然后，检索IHDR树，识别目标人脸，根据目标人脸位置生成一个比目标人脸大的子窗口；最后，用生成的子窗口初始化KCF跟踪器，实现对目标人脸的跟踪。

3.根据权利要求2所述的的融合学习机制的目标跟踪方法，其特征在于：包括如下主要步骤：

步骤S1：打开摄像头，读入视频数据流，使用人脸检测算法检测并定位视频流中的人脸；在复杂背景中识别出人脸；

步骤S2：根据检测到的人脸位置生成一个比目标人脸大的矩形子窗口；

步骤S3：对子窗口中的人脸图片进行预处理，提取人脸特征；

步骤S4：启动IHDR增量学习算法学习人脸的特征向量与姓名标签之间的映射关系，构建IHDR树；

步骤S5：使用人脸检测算法定位并框选出人脸，对框选出的人脸进行预处理，检索IHDR树，识别目标人脸，并输出识别结果；

步骤S6：用识别目标人脸得到的子窗口初始化KCF跟踪器，训练KCF分类器，然后启动KCF跟踪器，对目标人脸进行跟踪。

步骤S7：当跟踪失败或目标人脸短暂离开摄像头时，返回步骤S5，重新识别人脸，当连续3帧识别出目标人脸，则信任识别结果，输出人脸对应的识别结果，执行剩下的步骤，实现对目标的长期跟踪。

4.根据权利要求3所述的的融合学习机制的目标跟踪方法，其特征在于：步骤S2中生成的子窗口长宽为实际人脸长宽的1.2～1.6倍。

5.根据权利要求3所述的的融合学习机制的目标跟踪方法，其特征在于：步骤S3中预处理包括人脸摆正、椭圆掩膜修正和双边滤波。人脸摆正是指将因人体姿态变化而倾斜的人脸摆正，使左右眼在一个水平面上；椭圆掩膜修正是指将子窗口中除椭圆形人脸以外的区域屏蔽掉，使被屏蔽的部分不参与特征提取，提高算法运行速度与人脸识别率。

6.根据权利要求3所述的的融合学习机制的目标跟踪方法，其特征在于：步骤S4中IHDR算法学习人脸特征的过程是IHDR树构建的过程，其中输入的人脸特征存储于IHDR树的X空间，对应的虚拟标签存储于IHDR树的Y空间，该虚拟标签指向特征对应的识别结果，其学习过程如下：输入待学习的人脸特征向量及姓名，判断是否学习过该姓名，若是，将人脸特征添加到该姓名所属虚拟标签所指向的x聚类子中；若否，判断是否学习过该人脸特征向量，若是，则学习失败，若否，则Y空间虚拟标签加1，X空间生成新的x聚类子，与虚拟标签相对应。

7.根据权利要求3所述的的融合学习机制的目标跟踪方法，其特征在于：步骤S5中预处理与步骤S3中预处理相同，其人脸识别过程就是检索IHDR树的过程：判断是否学习过该人脸特征向量，若是，输出识别结果，若否，识别失败。

8.根据权利要求3所述的的融合学习机制的目标跟踪方法，其特征在于：步骤S6中，在KCF的跟踪过程中设定三个尺度大小不同的窗口，分别计算三个窗口对目标的响应，响应最大的窗口置为下一时刻的跟踪窗口，如此实现尺度自适应跟踪。