[发明专利]基于受限结构图搜索的目标跟踪方法

权利要求书

1.基于受限结构图搜索的目标跟踪方法，其特征在于，包括以下步骤：

S0、初始化目标模型

根据第一帧标定的目标状态，得到目标尺度两倍大小的目标搜索区域R，然后将该目标搜索区域R过分割为一系列颜色相似像素的超像素收集在目标框内的超像素为正样本，目标框外的超像素为负样本，这样学习一个线性支持向量机模型作为表象模型M以及相关滤波器模型F作为整体约束，另外，建立目标结构图模型G＝{V,C}，其中V表示目标部件集合，C表示临近目标部件集合关系组成的边的集合；

S1、输入下一视频帧

根据上一帧的目标状态B，确定当前帧的目标搜索区域，在目标中心位置的两倍当前目标尺度搜索，然后将该目标搜索区域过分割为一系列超像素；

S2、求解目标部件标签

给定目标模型M,G,F和目标状态B，则能量最小化函数可表示为：

其中：

E^PS表示目标部件选择的能量，其定义为：E^da表征超像素部件属于前景或者背景的概率，E^sm确保了标签标记的连续性，λ^b为平衡系数，l_p表示目标部件p的标签状态；

E^PM表示目标部件匹配的能量，其定义为：E^ap衡量超像素部件对结构图模型G中目标部件的相似性，E^ge衡量目标部件的局部结构的相似性，λ^b为平衡系数，l_p表示目标部件p的标签状态；

和P(l_p＝f₀)分别表示前景和背景像素占目标状态矩形框的比例值，λ¹为平衡两项的系数；

然后固定目标模型M,G,F和目标状态B，求解目标部件标签L，并具体使用图割算法求解得到目标部件标签L；

S3、求解目标状态

得到目标部件标签L以后，联合相关滤波器模型F求解目标状态B；

S4、更新目标模型

根据求解得到的目标部件标签L和目标状态B更新目标模型M,G,F，如下式所示：

其中，E^da表示超像素部件p属于前景或者背景的概率，E^PM表示目标部件匹配的能量，F(B,R)表示搜索区域R中任意目标状态B对应的响应分数，λ¹为平衡两项的系数；

各项相互独立，可以分别更新各个模型，通过目标部件标签L和目标状态B得到训练样本，学习新的目标模型M,G,F；

S5、输出当前帧目标状态

在步骤S4中，如果能量减小，则接受模型更新，转到步骤S2继续迭代优化；否则，退出迭代循环，输出当前帧最优的目标状态，转到步骤S1。

2.根据权利要求1所述的基于受限结构图搜索的目标跟踪方法，其特征在于，在步骤S0中，将目标搜索区域R过分割为一系列颜色相似像素的超像素使用的是SimpleLinear Iterative Clustering算法。

3.根据权利要求1所述的基于受限结构图搜索的目标跟踪方法，其特征在于，在步骤S3中，求解目标状态B的方法为：

(1)使用采样方法得到一系列候选目标状态；

(2)基于上一帧目标尺度选择当前帧的目标中心位置；

(3)选出最小能量的状态，以满足目标公式其中，E^SE表示目标状态估计的能量，其定义为：F(B,R)表示搜索区域R中任意目标状态B对应的响应分数。