[发明专利]基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法

权利要求书

1.基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：该方法包括以下步骤：

步骤S1、通过多示例学习获取最优候选样本的遮挡程度；

步骤S2、核相关滤波器的最强响应值对目标的遮挡敏感，根据此特点，构造一个遮挡检测机制，同时联合多示例学习获取的遮挡程度共同判断目标是否发生遮挡；

在所述步骤S2中，核相关滤波器方法中，跟踪器的最强响应值易受遮挡的影响；计算核相关滤波器方法当前帧的最强响应值f和最强响应值的期望

其中ξ₀为最强响应值期望的学习率；当满足下式时，判断目标发生遮挡；

其中λ₀和λ₁为遮挡判断阈值，为前t帧遮挡程度的均值，更新方式如下：

其中ξ₁为遮挡程度均值的学习率；

步骤S3、当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；

步骤S4、对mi-SVM分类器进行合理的更新。

2.根据权利要求1所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S1具体包括以下步骤：

在第一帧中手动标记目标并使用核相关滤波器方法跟踪第二帧至第n帧的目标；将目标区域均匀分割成M个重叠的局部图像块，并使用这n帧跟踪结果训练初始mi-SVM分类器；接着使用mi-SVM分类器预测目标区域每一个局部图像块的遮挡情况，用σ_k表示局部块的遮挡情况，即：

目标通常位于边界框的中间，包含更多的目标信息和较少的背景信息，位于不同位置的局部图像块对目标遮挡程度的贡献存在差异；因此目标的遮挡程度表示为：

其中，ω_k表示第k个局部图像块对目标遮挡程度的贡献权重，遮挡程度D_occ越小表示遮挡越严重。

3.根据权利要求1所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S3中，当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；核相关滤波器方法以上一帧跟踪结果为中心扩大区域构造当前帧的搜索区域；因发生遮挡，核相关滤波器方法的搜索区域没有包含目标；因此在原始搜索区域的基础上，以上一帧跟踪结果的四个顶点作为中心位置再构造4个搜索区域；当前帧的目标出现在以上一帧跟踪结果为中心的搜索区域的概率比其他搜索区域大，所述搜索区域为原核相关滤波器方法的搜索区域，给新增的搜索区域一个权重η；在新增的搜索区域里，其最强响应值为：

f_max＝ηmax(F(z))

其中z为搜索区域里的候选样本，F(z)为所有候选样本的响应值；减少因新增搜索区域而带来的背景干扰；

使用跟踪器获取5个搜索区域的最强响应值f_i，并且利用mi-SVM分类器获取每个搜索区域最优候选样本的遮挡程度D_occ；如果满足下式：

则表示搜索到可靠目标；否则将上一帧的跟踪结果作为当前帧的结果；其中φ为权值系数，为所有局部图像块无遮挡时的遮挡程度；无论是否搜索到可靠目标，此时都暂停更新核相关滤波器；其中，γ为搜索到可靠目标的判别系数。

4.根据权利要求3所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S4中，每隔θ帧图像，将最新的n帧跟踪结果重新采集正负包，更新mi-SVM分类器；为防止发生严重遮挡的跟踪结果影响分类器的性能，当遮挡程度D_occ不超过阈值τ时，跟踪结果不添加进训练集；首帧目标始终真实，始终保持首帧目标在训练集。