基于压缩感知特征选择的实时检测跟踪框架与跟踪方法

摘要

本发明提出了一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法（CFS），本发明能够对压缩后的特征进行选择，只使用区分度高的样本特征进行分类；本发明能够达到实时跟踪，而且避免了由于选择了错误的特征导致的跟踪失败现象，有效的抑制了不好的特征对跟踪结果的影响，并且明显提高了跟踪速度和跟踪精度。

主权项

一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，其特征在于：包括下述步骤：步骤1，初始化参数，确定第t帧的目标所述的目标位置是一个矩形框，框内是需要跟踪的目标；包含四个参数：目标在该帧中的行坐标列坐标宽度width和高度height；步骤2，令l(x)＝{row(x),col(x)}表示样本x的位置，包括样本中心的行坐标和列坐标，在周围半径s个像素内采集正样本集在周围半径r,β像素之间采集负样本集其中s，r，β是经验参数，单位为像素；步骤3，对正负样本集中每个样本提取n个类哈尔特征f(x_t)＝{f₁(x_t),f₂(x_t),...,f_n(x_t)}；步骤4，使用正样本和负样本的特征训练弱分类器；步骤5，定义分类间隔对每个弱分类器进行评估，并选择弱分类器用于分类；所述的步骤5中包括以下步骤：5.1定义其中n_p表示正样本的个数，n_n表示负样本的个数，5.2选出margin值最大的前K个特征组成强分类器，其中i_k表示选出用于分类的特征；5.3第t帧的强分类器的定义为步骤6，由选择出来的弱分类器组成第t帧的强分类器步骤7，在t+1帧的周围半径λ内采集测试样本使用H_t(x)对测试样本进行分类；步骤8，分类结果作为目标在t+1帧的位置步骤9，若t+1帧不是最后一帧，则令t＝t+1，返回步骤1。