一种结合特征筛选与二次定位的快速压缩跟踪方法

摘要

本发明涉及一种结合特征筛选与二次定位的快速压缩跟踪算法，该算法首先对采集的正、负样本划分子区域，从各个子区域中分别提取压缩特征，根据样本估计出各个压缩特征在正、负类中的分布，然后提出一种基于自适应学率和正类更新阈值的策略，更新正、负类中的特征分布，最后根据跟踪所处的不同阶段，用不同的采样半径采集不同的候选样本集，并从全部特征中筛选出部分优质特征加权构建分类器，通过检测候选样本集精确定位跟踪目标。本算法结合了特征筛选与二次定位策略，不仅具有更好的抵抗短时遮挡的能力，还有更高的准确性和稳定性，以及良好的实时性。

主权项

一种结合特征筛选与二次定位的快速压缩跟踪方法，所述方法包括下列步骤：步骤1：根据目标的初始位置，采集正、负样本集；步骤2：用子区域模板对每个样本划分5个子区域；步骤3：提取压缩特征；用样本的各个子区域与不超过子区域范围的不同尺度的矩形滤波器卷积，得到多尺度特征，将这些特征组成的高维向量通过随机测量矩阵降到低维，得到50个压缩特征；步骤4：利用正负样本集估计每个压缩特征在正、负类中的分布；步骤5：利用Bhattacharyya系数度量相邻两帧之间目标特征分布的差异，并设定更新阈值，当差异超过更新阈值时，当前帧中该特征在正类中的分布将不会更新；步骤6：利用Bhattacharyya系数度量当前帧中每个压缩特征在正、负类之间分布的差异，将此差异作为学习率，更新压缩特征的分布参数；步骤7：根据步骤6中得到的分布差异计算对应特征的权值，对特征按其权值从大到小排序，根据需要按权值选取压缩特征加权构建朴素贝叶斯分类器；步骤8：以5个像素为采样间隔对候选区域内的样本采样，通过分类器找出跟踪目标的粗略位置；步骤9：以步骤8中得到的位置为中心，缩小候选区域范围，采集该区域内的所有样本，通过分类器找到目标的最终位置。