[發明專利]一種基于代價敏感結構化SVM的目標跟蹤方法

有效

• 申請號: 202010216816.3
• 申請日: 2020-03-25
• 公開（公告）號: CN111460948B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 袁廣林;孫子文;夏良;秦曉燕;李從利;陳萍;李豪;琚長瑞
• 申請（專利權）人: 中國人民解放軍陸軍炮兵防空兵學院
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

1.一種基于代價敏感結構化SVM的目標跟蹤方法，其特征在于，包括以下步驟：

步驟1、建立用于目標跟蹤的代價敏感結構化SVM模型，根據拉格朗日乘子法，將代價敏感結構化SVM模型轉化為對偶問題；

步驟2、采用對偶坐標下降原理求解代價敏感結構化SVM模型，估計目標的狀態；

步驟3、采用多尺度目標跟蹤方法進行評估，選取最大響應的作為跟蹤結果。

2.根據權利要求1所述的基于代價敏感結構化SVM的目標跟蹤方法，其特征在于，步驟1所述的建立用于目標跟蹤的代價敏感結構化SVM模型，根據拉格朗日乘子法，將代價敏感結構化SVM模型轉化為對偶問題，具體如下：

步驟1.1、在基于結構化SVM的目標跟蹤中，Y是矩形框空間，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分別表示矩形框的寬和高，假設訓練數據為建立用于目標跟蹤的代價敏感結構化SVM模型，DLCS_SSVM跟蹤模型表示為：

其中，

式中，ψ_i(y)＝Φ(x_i,y_i)-Φ(x_i,y)，Φ(x,y)是數據對(x,y)的函數，表示矩形框y在圖像x上的特征向量；w為DLCS_SSVM的超平面法向量；ε_i是松弛變量，用以測量第i個樣本的代理損失；C、C^hard和C^easy是正則化參數，C表示對于整體的誤分代價，C^hard表示對于hard pair部分的誤分代價，C^easy表示對于easy pair部分的誤分代價；

結構化機器學習中的一個訓練數據對(x,y)稱為一個pair；在基于結構化SVM的目標跟蹤中，當損失函數L(y_i,y)的值小于閾值m時，即采樣樣本與目標重疊區域較大的訓練樣本(x_i,y_i)稱為hard pair，當損失函數L(y_i,y)的值大于等于閾值m時，即采樣樣本與目標重疊區域較小的訓練樣本(x_i,y_i)稱為easy pair；

m表示判斷訓練樣本(x_i,y_i)為hard pair和easy pair的閾值，通過多次的實驗獲得；L(y_i,y)是損失函數，表示預測輸出矩形框y的結構誤差損失，L(y_i,y)如(3)式所示，由樣本矩形y和目標矩形y_i的位置重合率進行定義，P_t表示第t幀目標的中心位置：

其中，

步驟1.2、根據拉格朗日乘子法，將式(1)轉化為對偶問題，得到關于對偶變量α的函數，簡化之后得到式(5a)～式(5c)：

其中，

式中，是拉格朗日乘子，且y≠y_j:L(α)表示關于對偶變量α的拉格朗日函數；K_ij＝Ψ_i(y),Ψ_j(y)表示兩樣本的點積，為線性核函數，y_i和y_j都表示目標矩形框；L(y_i,y)是損失函數，表示預測輸出矩形框y的結構誤差損失；m表示判斷訓練樣本(x_i,y_i)為hard pair和easy pair的閾值，通過多次的實驗獲得；

使用線性核函數進行對偶化，得到DLCS_SSVM的超平面法向量w：

式中ψ_i(y)＝Φ(x_i,y_i)-Φ(x_i,y)，Φ(x,y)是數據對(x,y)的函數，表示矩形框y在圖像x上的特征向量；當解得之后，即得到w。