[发明专利]一种基于尺度上下文回归的目标追踪与跟随方法

权利要求书

1.一种基于尺度上下文回归的目标追踪与跟随方法，其特征在于，包括如下步骤：

(1)通过单目摄像机采集图片，用户通过在待跟随目标上设置一个标识物体所在图像区域的矩形包围盒来初始化追踪过程；

(2)使用尺度上下文回归模型进行目标追踪，获取目标位置和尺度，包含以下子步骤：

(2.1)通过在追踪过程中存储历史帧，并利用每帧对应的预测目标包围盒作为标注信息，在线训练一个基于尺度上下文回归的分类器模型；步骤(2.1)包括：

(2.1.1)在已知历史帧I＝{I₁，I₂，...，I_t}和追踪目标矩形包围盒B＝{B₁，B₂，...，B_t}的条件下，对每张图片I_i选取一个包含目标矩形包围盒B_i的搜索区域R_t，然后将R_t缩放至多种不同尺度t为历史帧的数量，S指尺度数目，对每种尺度的搜索区域使用超像素经典算法进行超像素分割，将所有像素聚合成预设数目的超像素N为超像素数目；

(2.1.2)对每种尺度的搜索区域将包含在物体包围盒中的超像素视作正样本否则为视作负样本对每一个正样本遍历除自身以外的全部超像素样本，计算两者间特征距离，若低于相似度阈值λ_d，则投正样本数N^O一票，类似地计算其与另一负样本之间的特征距离，j≠v，若低于相似度阈值λ_d，则投负样本数N^B一票，遍历完所有样本后，计算其为负样本的概率，ρ＝N^B/(N^O+N^B)；若该超像素为负样本的概率ρ大于预设的超参数λ_s，将其从正样本中移除，最终整个超像素样本集合被划分为正样本集合和负样本集合分别为每个正样本标注为1，每个负样本则标注为-1，最终尺度为s的搜索区域按照超像素顺序标注为集合L^s∈R^N×1；

(2.1.3)使用回归系数w^s和超像素对应的特征表达预测对应超像素的类别将每个超像素预测类别与训练标签对应计算分类损失并求和添加一个正则项|w^s|²以避免过拟合，并设计一个正则项权重λ来控制正则化函数，得目标函数为：优化目标是找到一组参数使得Loss最小，通过Loss对w^s求导，并根据极值点导数为0的条件，推导出：2(F^s)^T(L^s-f^sw^s)-2γw^s＝0，F^s指代在尺度s下的所有超像素的特征矩阵，L^s指代在尺度s下的所有超像素的标签值矩阵，获得脊回归的闭式解：w^s＝((F^s)^TF^s+γI)^-1(Fs)^TL^s；由此构建一个基于尺度上下文回归的模型；

(2.2)在待追踪的图片上使用(2.1)中训练的基于尺度上下文回归的模型定位目标；

(3)使用基于局部块的追踪目标质量评估方法，判断是否发生目标丢失并及时的进行重检测；

(4)建立跟随者自身与待跟随目标的相对位置关系，同时基于此相对位置关系调整跟随者自身位姿。