[发明专利]基于联合预测-检测-修正框架的长期目标跟踪算法

权利要求书

1.一种基于联合预测-检测-修正框架的长期目标跟踪算法，其特征是，通过预测器模块预测目标运动趋势和尺度变化，利用检测器模块结合预测参数进行有效的目标位置估计和目标尺度估计，通过修正器模块结合精化机制进行目标位置的修正，从而实现精确的目标跟踪。

2.如权利要求1所述的基于联合预测-检测-修正框架的长期目标跟踪算法，其特征是，具体步骤细化如下：

步骤1：输入第t帧视频图像；

步骤2：由第t帧视频图像中的中心点坐标和对应的光流点坐标，用预测器预测目标的运动偏移量(Δx,Δy)和尺度变化量S_f；

步骤3：进行目标位置检测。首先基于(Δx,Δy)和目标上一帧位置C_t-1确定搜索框范围并提取样本，然后用下式(4)计算目标相关置信图y_P：

其中，A为相关滤波系数，⊙为哈达码积运算，z为确定的搜索框范围，φ(·)为希尔伯特变换，p是学习到的目标外观模型；

寻找目标相关置信图中的最大响应值，即为目标新的位置C_t；

步骤4：若检测器中目标外观滤波器的最大响应值低于预设的阈值θ时，进行目标位置精修；

步骤5：进行目标尺度检测。首先，根据超像素预测的尺度变化因子S_f，可以设置尺度变化步长S_S：

S_S＝(S_S,0-1)+f(S_f) (5)

其中，S_S,0是初始尺度步长，f(·)是用于限制S_f取值的函数；

随后计算完备的尺度范围Φ：

Φ＝{S_S^±i} (6)

其中，L是尺度层数；

接下来，在Φ中用各个尺度进行缩放，并用步骤3中的方法求得目标尺度置信图y_S，最终将最大y_S对应的尺度作为尺度检测的结果S_t；

步骤6：若检测器中目标尺度滤波器的最大响应值低于预设的阈值θ时，进行目标尺度精修；

步骤7：更新模型参数。结合当前帧的响应图y_t和前一帧的响应图y_t-1，有：

其中，δ₀初始学习因子；

接着，用下式(8)进行模型参数更新：

步骤8：输出目标位置结果C_t和目标尺寸大小S_t；

步骤9：输入下一帧图像，按前述步骤处理，实现目标跟踪。

3.如权利要求2所述的基于联合预测-检测-修正框架的长期目标跟踪算法，其特征是，用预测器预测目标的运动偏移量和尺度变化量具体步骤是，进行超像素目标外观重构，并计算超像素光流，计算目标外观偏移量(Δx,Δy)，如下式(1)(2)：

(Δx,Δy)＝(median(X),median(Y)) (2)

其中，X和Y分别是光流点位移变化量的横、纵坐标序列，C_i.x和C_i.y分别是中心点的横、纵坐标，O_i.x和O_i.y分别是对应光流点的横、纵坐标，n是相邻帧中匹配的光流对的数量，abs(.)代表绝对值计算，median(.)是求中值运算；

计算目标尺度变化因子S_f，如下式(3)：

其中，dist(·)表示两个点间的欧氏距离的计算。

4.如权利要求2所述的基于联合预测-检测-修正框架的长期目标跟踪算法，其特征是，对于目标跟踪结果的修正，步骤4和步骤6具体地：

首先使用修正器的级联支持向量机SVM(Support Vector Machine)在上一帧跟踪到的目标位置周围检测一个候选的目标，然后计算其相关滤波响应值y_r，如果max(y_r)＞λ×max(y)，其中λ为修正放大系数，那么则认为修正器检测的结果比预测-检测器跟踪的结果更可靠，用修正器的结果去更新跟踪结果，并更新对应的滤波器模型参数；否则，则认为更新失败，保留预测-检测的结果，并重新训练修正器中的SVM。