[发明专利]一种基于多相关滤波模型的长时目标跟踪方法

权利要求书

1.一种基于多相关滤波模型的长时目标跟踪方法，该方法具体包括以下步骤：

S1：对于某个视频序列中的每一帧图像，提取每一帧图像目标区域的梯度方向直方图特征(Histogram of Oriented Gradient,HOG)和局部强度直方图特征(Histogram ofIntensity,HOI)作为目标的特征表示，并且用于训练长时相关滤波器；

S2：在跟踪过程中，利用长时相关滤波器与目标产生的最大响应值与检测阈值来判断目标跟踪是否发生失败，若目标跟踪成功，则继续采用MCCT算法中最优位移相关滤波器对目标的平移进行估计并得到目标的位置信息，若发生目标跟踪失败，激活在线检测器对目标重新定位并采用在线分类器SVM的检测结果作为目标的位置信息，以保证恢复到准确的跟踪；

S3：确定目标的平移位置后，再利用尺度相关滤波器确定该帧中目标的尺度；

S4：最后在满足目标更新条件下对滤波器模型进行更新。

2.根据权利要求1所述的一种基于多相关滤波模型的长时目标跟踪方法，其特征在于，所述步骤S1中，训练长时相关滤波器F_L的线性岭回归的目标函数为：

其中，表示映射到核空间，W₃表示长时相关滤波器，y(·)表示回归目标，λ是控制训练样本过程过度拟合的正则化参数。

3.根据权利要求1所述的一种基于多相关滤波模型的长时目标跟踪方法，其特征在于，所述步骤S2中，位移相关滤波器具体包括：第一帧中选择目标框大小为M×N，在跟踪过程中，由目标区域图像块循环移位得到训练样本来构造循环结构矩阵；每个样本X_m,n所对应的标签根据距离目标区域的远近来分别赋值[0,1]范围的值，离目标越近，值越趋近于1，离目标越远，值越趋近于0，其中：(m,n)∈{0,1,...,M-1}×{0,1,...,N-1}；训练位移相关滤波器F_T的线性岭回归的目标函数为：

其中，表示映射到核空间，W₁表示位移相关滤波器，y(·)表示回归目标，λ是控制训练样本过程过度拟合的正则化参数。

4.根据权利要求1所述的一种基于多相关滤波模型的长时目标跟踪方法，其特征在于，所述步骤S3中，尺度相关滤波器具体包括：在目标框上提取尺度池中的S个尺度图像的HOG特征图X_hog(S)，训练尺度相关滤波器F_S的线性岭回归的目标函数为：

其中，尺度池的定义为aⁿw×aⁿh，w和h分别为前一帧目标的宽和高，a为尺度因子，S为尺度数；表示映射到核空间，W₂表示尺度相关滤波器，y(·)表示回归目标，λ是控制训练样本过程过度拟合的正则化参数。

5.根据权利要求1所述的一种基于多相关滤波模型的长时目标跟踪方法，其特征在于，所述步骤S2中，最优位移相关滤波器具体包括：提取第一帧中的HOG1、HOG2、CN特征并进行特征融合，训练出不同特征组合所对应的位移相关滤波器，通过各个位移相关滤波器在相同时间内的成对评估和同一位移相关滤波器在不同时间内的自我评估筛选出具有最高鲁棒性的滤波器即最优位移相关滤波器作为当前跟踪的滤波器；在随后帧中，最优位移相关滤波器会在上一帧的位置附近对该帧的图像块进行卷积，得到一个响应图，该响应图中拥有最大响应值的位置就是目标位置。