[发明专利]一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法

权利要求书

1.一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法，其特征在于，包括以下步骤：

步骤1，位置滤波器训练，利用循环矩阵的性质，将滤波器的求解问题转化为正则化岭回归问题；通过先验信息得到目标在第一帧图像中的位置信息，将包括目标以及其周围一圈背景的区域作为目标候选框，然后对该区域提取方向梯度直方图特征并作为滤波器的输入，利用目标的原始尺寸和候选区域的尺寸设计滤波器的输出，将原始的正则化岭回归问题中l₂正则化约束化转为l_2,1约束，通过滤波器的输入和输出训练滤波器，得到滤波器的参数，具体是：

根据第一帧图像中目标的位置以及尺度，确定目标的候选区域，即目标在下一帧中可能出现的区域；利用循环移动目标的实际位移，对候选区域进行特征提取，得到样本矩阵；设计尺度的候选值，构建尺度滤波器的输出；设计两个二维相关滤波器，分别用来预测目标的位置和尺度；样本的训练过程实际上是一个正则化最小二乘问题，RLS分类器由在核定义的再生核希尔伯特空间上最小化一个线性正则化函数来实现；

步骤2，显著性检测，用boolean map saliency(BMS)对候选区域提取显著性区域，具体是：在一个长时间的跟踪中，为了防止模型过拟合，将RLS问题变为最小化l_2,1问题，ψ(w)＝||w||²·||w||₁-γ||w||₁，其中γ是正则化约束,用来平衡经验误差和模型复杂度,w为滤波器；当目标被遮挡时，利用显著性信息将目标与背景区分隔开，加强目标模型的判别性；显著性检测采用的是boolean map saliency(BMS)算法，该算法基于布尔映射理论，即一个观察者对场景的瞬间意识用布尔映射表示；BMS根据特征空间的先验分布和随机阈值，利用输入图像的特征图生成一系列布尔图；

步骤3，目标位置预测，对显著性区域提取方向梯度直方图特征，作为滤波器的输入，滤波器输出的响应图中最大值所对应的就是目标的位置；根据预测的目标位置，提取目标在下一帧可能出现的候选区域，对该区域提取方向梯度直方图特征作为滤波器的输入，作为再利用步骤1中设计的滤波器输出，通过正则化岭回归求解，得到一组参数；通过得到这组参数以及自回归，更新滤波器，得到滤波器的一组新的参数；为了不失去目标的细节，在将图像的显著性信息考虑进去的同时也保留目标原有信息，那么在样本训练的过程中，将显著性图叠加到原始样本中；就得到滤波器的响应矩阵，矩阵中最大值所对应的就是目标的位置；在根据该位置更新模型参数；

步骤4，鲁棒性尺度估计，在得到目标的位置之后，在根据预设的二维尺度值，在目标周围进行采样，得到一系列长宽不同变化的图像块；然后将这些图像块进行双线性插值，将图像块的大小变为和所设计的尺度模型一致，得到训练样本；接下来进行特征提取，得到图像块的方向梯度直方图特征之后，训练一个最小二乘分类器，这样获得一个二维尺度跟踪器，通过响应图得到目标的尺度变化；响应图中最大值对应目标的尺度。

2.根据权利要求1所述的一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法，其特征在于，所述步骤4中，采用一维尺度滤波器，是假设目标不发生大的形变，目标的长和宽为相同的变化，但实际上一旦目标发生大的形变时，目标的形变并非有规律，若仍采用一维滤波器，会降低尺度跟踪器的性能；因此采用二维滤波器，认为目标的长和宽并不是发生相同的变化，这样即使目标发生大的形变，仍能准确估算出目标的尺度。