[發明專利]一種采樣框自適應的多特征融合在線目標跟蹤方法

有效

• 申請號: 202011500416.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112614158B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 閆莉萍;馮子航;夏元清;張金會;翟弟華;鄒偉東;劉坤
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06V10/774;G06V10/80
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 代麗;郭德忠

1.一種采樣框自適應的多特征融合在線目標跟蹤方法，其特征在于，包括如下步驟：

步驟1、輸入目標初始中心位置x₁＝[x¹,x²]、目標初始尺寸s₁＝[s¹,s²]以及超參數；

其中，上標1指代視頻中圖片平面直角坐標系的第一條坐標軸，稱為長，上標2指代視頻中圖片平面直角坐標系的第二條坐標軸，稱為寬；

所述超參數包括基礎擴充倍數p_base、跟蹤特征種類數N_F、核函數f_ker、核函數決定的核空間變化函數高斯函數方差系數γ_σ、均值為0方差為σ的標簽高斯函數f_gau、正則項系數λ₁,λ₂、顯著值點系數γ_lar、模型更新率θ_update、模型更新閾值系數γ_update、最優采樣框選擇時刻k^cho、背景采樣偏移池自適應采樣框池以及尺度金字塔比例系數集合，其中x₁和s₁是二維向量，p_base、N_F、σ、γ_lar、θ_update和γ_update是標量，k^cho是正整數，f_ker、和f_gau是函數，向量集合中向量的兩個元素分別為以x₁為中心的采樣框的長和寬，為基礎擴充采樣框的長和寬；

步驟2、對當前時刻k，此時根據目標當前中心位置x_k和目標當前尺寸s_k，訓練跟蹤分類器，然后將k+1賦值給k；

步驟3、對當前時刻k，基于目標上一時刻中心位置x_k-1，目標上一時刻尺寸s_k-1，尺度金字塔比例系數集合利用各采樣框的跟蹤分類器得到跟蹤響應圖；

步驟4、對當前時刻k，分析各采樣框的總響應圖，得到各采樣框的目標跟蹤結果，對跟蹤分類器訓練過程產生的數據做進一步處理，為計算跟蹤質量預測特征做準備；

步驟5、對當前時刻k，利用各采樣框的目標跟蹤結果訓練該時刻的跟蹤分類器，并更新跟蹤分類器和目標特征模板；

步驟6、對當前時刻k，根據各采樣框的目標跟蹤結果輸出整體算法的目標跟蹤結果；

步驟7，將k+1賦值給k，判斷當前時刻k與k^cho是否相等；

若相等，即到達設定的選擇自適應采樣框時刻k^cho，使用各采樣框的跟蹤過程中的數據，計算采樣框的跟蹤質量預測特征向量，預測采樣框的跟蹤質量，選擇最優的采樣框；

其中，選擇最優的采樣框的具體方法如下：

計算基于響應圖的質量預測特征，公式如下：

其中為響應圖的最大值，為響應圖的峰值旁瓣比，為響應圖的Q指標；

利用中心區域極大值點的數量和比例以及顯著值點的數量和比例計算基于響應圖的質量預測特征，公式如下：

計算基于特征模板的質量預測特征，目標特征模板和待跟蹤特征模板之差，公式如下：

在k時刻，跟蹤分類器根據待跟蹤特征模板得到目標位置，進一步得到目標特征模板，兩者之差能夠表示目標移動導致的特征模板變化，即目標移動帶來的跟蹤復雜性，其累和與此次目標跟蹤的復雜程度成正比；

目標特征模板在投影方向的縮減，公式如下：

其中，是初始目標特征模板到當前目標特征模板的向量即投影方向，是待跟蹤目標特征模板到當前目標特征模板的向量即縮減向量；規定到的方向為投影方向，計算k時刻跟蹤器使沿投影方向的縮減，與k時刻跟蹤分類器的有效性成正比；

目標特征模板的復雜度，公式如下：

將上述特征轉化為質量預測特征向量，記作利用使用歷史跟蹤過程數據訓練所得的跟蹤質量預測分類器f^pred(·)，把質量預測特征向量轉化為質量預測值，公式如下：

選擇質量預測值最大的自適應采樣框作為最優采樣框，其編號為：

自適應采樣框池中僅保留最優采樣框，公式如下：

若不相等，則判斷當前時刻k下，是否有待處理圖像；若有，返回執行步驟3；若無，算法結束，得到當前時刻k的目標當前中心位置x_k與目標當前尺寸s_k。