[发明专利]基于外观自适应空间正则化相关滤波器的目标跟踪方法

摘要

本发明公开了一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，包括：利用在线K‑means聚类算法对跟踪结果图像块进行目标与背景的的分割，并得到目标区域模板；利用目标区域模板生成空间正则化权重矩阵；用交替方向乘子法(ADMM)训练学习具有空间正则化的相关滤波器，对目标进行跟踪。本发明能够有效的限制相关滤波器学习内容，减少相关滤波器的背景信息，抑制相关滤波器的边界效应。与传统的带有空间正则化的相关滤波器相比，更精准的对目标区域与背景区域进行不同程度抑制；能够扩大相关滤波器的搜索范围，提升相关滤波器对目标大位移的鲁棒性。

主权项

1.一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，其特征在于，包括以下步骤：(1)初始化滤波器的学习率，ADMM算法最大迭代次数，拉格朗日惩罚因子，搜索框尺寸；(2)从第t帧图像中提取包含目标的图像块，将图像块的每一个像素点都整理成一个样本，将所有的样本点按顺序的放到数列D当中；(3)用K‑means算法对数列D当中的样本点进行聚类，具体的设置为：以欧式距离来度量样本点的相似性，初始的5个质心指定为矩形图像块的四个顶点以及矩形的中心点，最终得到每个样本点的所属类别；(4)将样本点按照原来的顺序排成与原来图像块的尺寸一样的矩阵P，矩阵P的元素为相应样本点在步骤(3)当中的所属类值，在矩阵P中截取一个和矩阵P中心点相同的矩阵P₁，但矩阵P₁的尺寸为当前目标尺寸的0.6倍，对矩阵P₁当中的所属类别数量进行统计排序，并把数量最多的类认为是目标所在类，取名为目标类，此外，若当前帧不是第一帧，则加入一个与之前所有目标类距离最近的一个类，加入目标类，将矩阵P中的元素，使属于目标类的类别所在位置为1，否则，都为0，最终得到目标所在区域的Mask矩阵，根据Mask矩阵，使值为1的位置的值重置为0.01，使值为0的位置的值重置为100000，并取名为权重矩阵w；(5)利用交替方向乘子法求解滤波器，滤波器的目标函数L(f,g)为：式中，f为滤波器，g为辅助变量，y为由高斯函数生成的标签，表示第t帧的目标图像块的第d个特征通道，D表示特征通道的总数，为拉格朗日乘子，μ为拉格朗日惩罚因子；ADMM算法通过迭代式求解以下子问题来求解目标函数：以上子问题都有闭式解：矩阵上的横线表示该矩阵的频域形式，矩阵N的元素全为1；(5)步骤(4)训练的滤波器记为并对之前的滤波器进行更新，更新的公式下式所示：式中，表示第t帧的第i种特征的滤波器，η为滤波器的学习率。(7)若t帧不是最后一帧，则用对候选样本进行打分，得到响应图，并取响应值最大的位置为目标中心点所在的位置，并返回步骤(2)，否则跟踪结束。