[发明专利]一种基于KCF和SURF特征的实时鲁棒目标跟踪方法

权利要求书

1.一种基于KCF和SURF特征的实时鲁棒目标跟踪方法，其特征是：具体包括以下步骤：

S1、获取目标图像，并基于KCF算法进行目标跟踪，其中，所述目标跟踪的任务为对特定目标进行实时跟踪并反馈目标在画面中的位置；

S2、基于峰值旁瓣比来判定目标是否被遮挡或丢失，在目标跟踪的目标丢失后，重新搜索定位目标，且在KCF跟踪目标的过程中，对目标跟踪情况进行判断，提取目标SURF特征，生成目标模板；在目标发生遮挡或丢失时，提取下一帧目标图像的SURF特征并与目标模板进行匹配，框选出与目标模板特征最相匹配的目标，然后重新更新跟踪模型，并对继续进行目标跟踪；

S3、基于SURF-RANSAC目标检索匹配，重新对目标进行匹配，采用随机抽样一致性算法(RANSAC)与SURF算法结合，剔除相似匹配和误匹配；

S4、重新框选目标，更新目标模板，并继续执行KCF目标跟踪任务，将步骤S3中的匹配结果进行框选，并将框选后新的样本输入到KCF算法中，继续对目标执行跟踪任务。

2.根据权利要求1所述的一种基于KCF和SURF特征的实时鲁棒目标跟踪方法，其特征是：步骤S1的具体方法为：

假设样本x＝[x₁,x₂,…,x_n]^T是单通道的一维数组，P为循环矩阵，Px则实现一维数组的元素移动，移位结果可表示为：

Px＝[x_n.x₁,x₂,…,x_n-1]^T，

由上式获得循环矩阵X如下：

上式经傅里叶变换实现对角化可有：

其中，F为离散傅里叶矩阵，F^H为F的共轭矩阵，为x的傅里叶变换，即KCF跟踪算法引入线性回归函数f(x_i)＝w^Tx_i，训练样本集(x_i,y_i)；

使样本与其目标值的误差平方和最小，找到满足其线性分类器f(z)有：

w＝(X^HX+λI)^-1X^Hy

其中，I为单位矩阵，X^H为X的共轭转置矩阵，w为权重系数，λ为保证系统泛化能力的参数，列向量y为样本标签，由此简化可得：

其中，⊙表示向量间的点积运算，表示复共轭；

然后，将线性问题映射到非线性空间，非线性回归函数可表示为：

其中，k(z,x_i)为核函数，α_i＝[α₁,α₂,…,α_n]^T为权重向量，根据循环矩阵性质对其进行求解可得：

其中，为列向量即核矩阵K＝C(k^xx)的第一行，设在下一帧中相同位置处的图像块为z，将z进行循环移位生成循环矩阵，定义K^z为训练样本和测试样本的核矩阵，则有：

K^z＝C(K^xz)

其中，K^xz为x和z间的核相关运算，且有：

f(z)＝(K^z)^Tα

对其进行离散傅里叶变换，计算其响应值为：

通过对上式的计算，根据响应最大值来确定目标位置。