[发明专利]基于受限结构图搜索的目标跟踪方法

摘要

本发明公开了一种基于受限结构图搜索的目标跟踪方法，其包括以下步骤：S0、初始化目标模型；S1、输入下一视频帧；S2、求解目标部件标签；S3、求解目标状态；S4、更新目标模型；S5、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。本发明的有益之处在于：(1)将顺序组织的模块在能量最小化框架中统一考虑，能更好挖掘各模块之间的相互支持关系，使它们相互约束和促进，提升跟踪效果；(2)采用基于轮换迭代的优化方法，将原始的多变量优化问题分解为多个较易处理的能量最小化子问题来逐一求解，提高了目标跟踪精度。

主权项

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：argminL{EPS(L,M)+EPM(L,G)+λ1Σp∈B(P(lp=f0)-P(lp∈{fi}i=1n))}]]>其中，EPS和EPM分别表示目标部件选择的能量、目标部件匹配的能量，和P(lp＝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：argminM,G,F{Σp∈PEda(lp,M)+EPM(L,G)-(1-λ1)·F(B,R)}]]>其中，Eda表示超像素部件p属于前景或者背景的概率，EPM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。