[發(fā)明專利]多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法

在審

• 申請?zhí)枺?/td>: 201810640255.2
• 申請日: 2018-06-20
• 公開（公告）號: CN109034193A
• 公開（公告）日: 2018-12-18
• 發(fā)明（設(shè)計）人: 王永雄;馮漢;王歡;張震;黃穎;陳晗;趙攀攀
• 申請（專利權(quán)）人: 上海理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06T7/262;G06T7/269
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 吳寶根;徐穎

1.一種多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，其特征在于，具體包括如下步驟：

1)獲取目標的初始信息，包括目標的位置信息和尺度信息；

2)獲取目標區(qū)域的融合梯度直方圖FHOG特征和降維后的顏色屬性CN特征，通過Matlab相應(yīng)工具包獲取，最終獲取得到的是31維的FHOG特征，通過Matlab工具包獲取11維的CN特征，利用主成分分析法獲取降維后的CN特征；

3)通過線性融合的方式，把步驟2)獲取的31維FHOG特征、降維后的2維CN特征加上1維的灰度特征，融合后總共34特征作為最終的特征圖譜；

4)在步驟3)得到融合特征圖譜的基礎(chǔ)上，利用核相關(guān)濾波器預(yù)測目標的平移位置；

5)在步驟4)預(yù)測平移位置后，通過添加尺度濾波器來預(yù)測目標的尺度變化；

6)在預(yù)測目標平移位置和尺度變化后，通過線性插值方法來更新兩個濾波模板，進行跟蹤，直到最后一幀。

2.根據(jù)權(quán)利要求1所述多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，其特征在于，所述步驟2)中利用主成分分析法獲取降維后的CN特征具體步驟如下：通過最小化損失函數(shù)的方法獲得合適的維度降低映射，該損失函數(shù)的形式如下：

上式α₁，α₂，...，α_p為常系數(shù)項，p為當(dāng)前圖像幀數(shù)，為數(shù)據(jù)項，由當(dāng)前形式的重建誤差組成，其組成形式如下：

上式，M，N代表圖像的大小，為當(dāng)前幀的特征表現(xiàn)形式，B_p是由標準正交向量組成的D₁×D₂維投影矩陣，D₁、D₂分別代表當(dāng)前幀特征維數(shù)和降維后的維數(shù)；為第j幀的平滑項，定義如下：

上式為第j幀投影矩陣B_j的第k個基向量，為對應(yīng)的特征值，可知損失函數(shù)只有在時才能最小化，其中I為單位矩陣；

B_p由矩陣的特征值分解得到的前D₂個最大特征值對應(yīng)特征向量組成，C_p為的協(xié)方差矩陣，Λ_j為D₁×D₂維的對角矩陣，其值由組成；上式推導(dǎo)求解得到了一個所需的投影矩陣B_p，通過線性映射得到新的D₂維特征圖，即降維后的CN特征。

3.根據(jù)權(quán)利要求1所述多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，其特征在于，所述步驟5)具體步驟如下：

建立尺度跟蹤模型認為是找到一個最優(yōu)的相關(guān)濾波器h，h由每個特征維度對應(yīng)的相關(guān)濾波器h^l組成，l∈{1，...，d}，d代表目標的特征維數(shù)；定義如下?lián)p失函數(shù)：

上式f^l代表第l個維度的特征圖，g為二維高斯期望輸出，λ_s為尺度過程正則化系數(shù)；通過最小化損失函數(shù)就可以得到最優(yōu)相關(guān)濾波器h：

上式大寫字母代表其對應(yīng)小寫字母對應(yīng)的復(fù)頻域，G代表復(fù)頻域的期望輸出，用一維高斯形狀輸出表示，F(xiàn)^l代表目標復(fù)頻域第l維度的特征圖，F(xiàn)^K代表目標復(fù)頻域第k維度的特征圖，*為復(fù)共軛運算符；得到關(guān)濾波器H后，我們的尺度預(yù)測輸出其中z^l和F^l都是目標復(fù)頻域第l維度的特征圖，區(qū)別是z^l是當(dāng)前幀目標復(fù)頻域第l維度的特征圖，F(xiàn)^l是上一幀目標復(fù)頻域第l維度的特征圖；設(shè)共有S個特征尺度，當(dāng)前幀目標尺度為P×R，每一個特征尺度n為y_s最大值所在的索引，尺度變換后的圖像塊J_n大小為aⁿP×aⁿR，a代表尺度因子。