[发明专利]一种基于DIOU损失与平滑约束的SSVM跟踪方法

权利要求书

1.一种基于DIOU损失与平滑约束的SSVM跟踪方法，其特征在于，包括以下步骤：

步骤1、建立基于DIOU损失与平滑约束的结构化SVM模型，根据拉格朗日乘子法，将DIOU损失与平滑约束的结构化SVM模型转化为对偶问题；

步骤2、采用对偶坐标下降原理求解基于DIOU损失与平滑约束的结构化SVM模型，估计目标的状态；

步骤3、采用多尺度目标跟踪方法评估跟踪目标的位置，选取拥有最大响应的结构化输出作为跟踪结果；

步骤1所述的建立基于DIOU损失与平滑约束的结构化SVM模型，根据拉格朗日乘子法，将DIOU损失与平滑约束的结构化SVM模型转化为对偶问题，具体如下：

步骤1.1、在基于结构化SVM的目标跟踪中，Y是矩形框空间，Y的任一元素用(x’,y’,w,h)表示，其中(x’,y’)表示矩形框的中心位置，w和h分别表示矩形框的宽和高，假设训练数据为其中N表示训练数据的总数量，i表示训练数据集中的任意个数据下标，i＝1,2,…,N，(x_i,y_i)表示第i个训练数据表示的矩形框中心位置；建立基于DIOU损失与平滑约束的结构化SVM模型即DCSSVM模型，该模型描述如下：

其中，w为t时刻结构化SVM的法向量，w_t-1为t-1时刻结构化SVM的法向量，λ为平滑约束系数；Ψ_i(y)＝Φ(x_i,y_i)-Φ(x_i,y)，Ψ_i(y)表示特征向量Φ(x_i,y_i)与特征向量Φ(x_i,y)的差值，Φ(x_i,y_i)表示训练样本矩形框y_i在图像x_i上的特征向量，Φ(x_i,y)表示预测矩形框y在训练图像x_i上的特征向量；C是正则化参数，ξ_i是松弛变量；L(y_i,y)是损失函数，表示预测输出矩形框y的结构误差损失；b、b^gt分别表示B、B^gt的中心点，B^gt＝(x^gt,y^gt,w^gt,h^gt)是目标框的位置，其中(x^gt,y^gt)表示目标框的中心位置，w^gt和h^gt分别表示目标框的宽和高；B＝(x,y,w,h)是预测框的位置，其中(x,y)表示预测框的中心位置，w和h分别表示预测框的宽和高；ρ(·)是欧几里德距离，c是覆盖这两个位置框的最小包围框的对角线长度；

步骤1.2、为了求解式(1)，使用拉格朗日乘子法得到式(1)的对偶问题，为此引入拉格朗日乘子和满足如下条件:

则式(1)的拉格朗日函数如下：

其中，ξ表示松弛变量，α和β是引入的拉格朗日乘子；等式右边表示具体训练样本所对应数值的意思，ξ_i表示第i个训练样本时所对应的松弛变量，和表示第i个训练样本所对应的拉格朗日乘子；

将拉格朗日函数L(w,ξ,α,β)分别对w和ξ_i求偏导并令偏导数为0得：

将式(4)、(5)代入式(3)，将L(w,ξ,α,β)中的w、β和ξ消去，得到式(1)的对偶问题，如式(6a)～(6c)所示：