[发明专利]一种融合背景信息的多峰目标跟踪方法

摘要

本发明涉及一种融合背景信息的多峰目标跟踪方法，该方法利用目标附近的背景信息，在当前帧目标搜索框的左上、上、右上、左、右、左下、下、右下8个具体位置提取相同大小的背景信息作为候选目标搜索框，利用相关滤波跟踪方法的循环矩阵和高斯核函数计算候选目标框的响应，同时训练更新分类器参数，提高目标发生旋转变化时成功率；考虑到相似目标干扰情况的存在，利用多峰目标检测策略，即目标位于目标输出响应图多个峰值中的任意一个的可能性，提高目标跟踪的精确度。

主权项

1.一种融合背景信息的多峰目标跟踪方法，该方法利用目标附近的背景信息，在当前帧目标搜索框的左上、上、右上、左、右、左下、下、右下8个具体位置提取相同大小的背景信息作为候选目标搜索框，利用相关滤波跟踪方法的循环矩阵和高斯核函数计算候选目标框的响应，同时训练更新分类器参数，提高目标发生旋转变化时成功率；考虑到相似目标干扰情况的存在，利用多峰目标检测策略，即目标位于目标输出响应图多个峰值中的任意一个的可能性，提高目标跟踪的精确度；/n该方法的具体步骤是：/n第一步、输入跟踪目标位置和尺寸：/n从视频数据库中给定第一帧目标的目标位置信息(X₁,Y₁)和尺寸信息(W₁,H₁)，视频序列的总帧数为n；依据第一帧目标位置获得第二帧训练样本的正样本信息；依据第一帧目标位置信息获得第二帧目标搜索框的位置信息(X₁,Y₁)和尺寸信息(2W₁,2H₁)，然后获得第二帧输入样本的正样本信息；/n第二步、提取第i帧训练样本和输入样本的目标特征：/n运行到第i帧时，依据第i-1帧求得的目标位置和尺度信息，即(X_i-1,Y_i-1,W_i-1,H_i-1)，在第i-1帧图片中获得第i帧训练样本的正样本信息，再通过训练样本的正样本稠密采样获得第i帧大量训练样本，然后分别提取第i帧大量训练样本的灰度特征Gray、方向梯度直方图特征HOG、颜色命名特征CN，最后将颜色命名特征CN、灰度特征Gray、方向梯度直方图特征HOG串联表示目标特征，即x_i；/n依据第i-1帧目标位置获得第i帧目标搜索框，具体是以第i-1帧目标的中心位置为第i帧的目标搜索框的中心位置，即(X_i-1,Y_i-1)，目标搜索框的大小为(2W_i-1,2H_i-1)；此时目标搜索框内的图片就是第i帧输入样本的正样本，通过输入样本的正样本稠密采样获得第i帧大量输入样本，再分别提取第i帧大量输入样本的灰度特征Gray、方向梯度直方图特征HOG、颜色命名特征CN，然后将颜色命名特征CN、灰度特征Gray、方向梯度直方图特征HOG串联表示目标特征，即z_i；/n第三步、建立第i帧最小损失函数：/n提取第i帧大量训练样本的目标特征x_i后，设定第i帧目标期望输出响应y_i服从高斯分布，则有同时使用高斯先验不等式|(y_i-μ_i)/σ_i|＜θ约束输出响应y_i，建立最小损失函数为式(1)；/n /n其中，f(x_i)＝w^Tx_i表示第i帧目标输出响应；y_i表示第i帧目标期望输出响应；λ₁表示正则化因子；表示分类器参数，式中α_i表示对偶空间的第i帧分类器参数，表示目标外观模型；μ_i,分别表示第i帧目标期望输出响应高斯分布的期望和方差；θ是约束y_i的固定参数；/n第四步、优化第i帧最小损失函数：/n在第i帧目标搜索框的左上、上、右上、左、右、左下、下、右下8个具体位置增加8个候选目标搜索框，优化后的最小损失函数为式(2)，通过调整8个候选目标搜索框的参数λ₂的取值使得候选目标搜索框对优化后的最小损失函数的回归解为0：/n /n其中，表示第i帧的循环矩阵，m＝1,…,8，分别对应八个候选目标搜索框；/n第五步、训练第i帧分类器参数：/n通过第i帧大量训练样本的目标特征x_i按照训练分类器参数，应用高斯核计算第i帧大量训练样本的目标特征x_i的自核相关矩阵进而得到为α_i的傅里叶变换的共轭矩阵，由求出α_i，完成第i帧分类器参数的训练；/n第六步、计算第i帧输入样本目标输出响应：/n运用第二步计算的第i帧大量输入样本的目标特征z_i，按照式(3)计算第i帧输入样本目标输出响应，/n /n其中，为应用高斯核计算训练样本的目标特征x_i和输入样本的目标特征z_i的核相关矩阵，表示第五步得到的的共轭矩阵，^表示傅里叶变换；/n然后根据式(4)选择候选目标峰，再应用公式计算多峰目标响应p(z_i)^t；/n /n其中，B是标识局部最大值位置的矩阵，分别为第i帧输入样本目标输出响应值、第i帧输入样本目标输出响应最大值、第i帧输入样本候选目标峰，·表示点乘运算，t表示第i帧候选目标峰的个数；/n第七步、确定第i帧目标位置和目标尺寸，更新对偶空间的分类器参数和目标外观模型：/n计算第i帧目标位置和目标尺寸：根据尺度池策略设定尺度池s_l，先计算高斯尺度分布权重再计算不同尺度的最大输出响应为选择不同尺度的最大输出响应中p(s_l)_i最大值的位置(X_i,Y_i)和第i帧具体变换尺度s_li，求得第i帧目标位置(X_i,Y_i)和目标尺寸为(s_liW_i,s_liH_i)；/n每隔5帧更新对偶空间的分类器参数，目标外观模型每帧都更新，第i帧对偶空间的分类器参数和目标外观模型的更新公式为：其中α_i由的共轭矩阵的傅里叶逆变换得到，η表示学习速率；/n第八步、循环跟踪：/n重复第二步-第七步，得到所有帧视频序列的目标位置和目标尺寸，完成目标跟踪。/n