(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210494221.3 (22)申请日 2022.05.07 (71)申请人 泉州师范学院 地址 362000 福建省泉州市丰泽区东海大 街398号 (72)发明人 顾培婷　朱达欣　叶宇光　 (74)专利代理 机构 泉州市文华专利代理有限公 司 35205 专利代理师 陈雪莹 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) (54)发明名称 一种模型优化的目标跟踪方法 (57)摘要 本发明提供一种模型优化的目标跟踪 方法， 涉及计算机视觉领域。 本发明引入时间正则化来 有效的处理边界效应问题， 同时提高了目标跟踪 的准确性。 针对目标函数计算复杂性， 通过将其 转换到频域并采用交替方向乘子法(ADMM)方法 进行有效优化， 使得每个子问题都有对应的最优 解。 此外， 在特征表示方面， 本发明将传统的手工 特征与深度卷积特征相结合， 获得更多的语义信 息， 提高了滤波器的判别性能。 通过大量实验表 明， 本发明所提出的算法在许多最先进的跟踪器 上表现良好。 权利要求书2页 说明书5页 附图1页 CN 114863338 A 2022.08.05 CN 114863338 A 1.一种模型优化的目标跟踪方法， 其特征在于： 包括目标跟踪模型的构建和优化过程 以及视频序列的目标跟踪过程； 所述目标跟踪模型的构建和优化过程包括： 引入时间正则化从而有 效处理边界效应问题， 构建基于时间正则化的背景感知目标跟 踪模型， 所述基于时间正则化的背景感知目标跟踪模型的公式如下： 其中， D表示总的特征通道数， 且d＝{1,2,3...,D}， B是使样本信息聚集在目标区域上 的剪切矩阵， xd是第d通道的目标特征， fd是第d通道的相关滤波器， fd‑1是第d‑1通道的相关 滤波器， f表示当前帧相关滤波器， y是高斯函数形式的理想输出， α1和α2表示正则化参数， * 表示卷积运算， 是引入的时空正则化项， 使滤波器在当前帧和历史帧之间建立时空 关系； 将所述基于时间正则化的背景感知目标跟踪模型变换到频域， 然后 通过交替方向乘子 法对其进行优化， 接着分解成M个子问题， 从而能够得到一个局部最优解， 最后使用 Sherman–Morrison定理优化局部最优解的计算公式， 得到优化后的目标跟踪模型： 其中， ^表示信号的离散傅里叶变换， μ为引入的误差项惩罚参数， M为子问题的个数， 为标签 为样本 为 为 T表示复向量或矩阵的共 轭转置运 算； 所述视频序列的目标跟踪过程包括： 步骤1、 输入视频序列， 判断是否是第一帧， 如果是， 则初始化目标的位置和所述优化后 的目标跟踪模型， 如果否， 进入步骤2； 步骤2、 根据第t ‑1帧图像中目标位置， 获取目标在第t帧中的区域， 以该区域为目标区 域， 提取目标区域的HOG特征、 颜色特征以及分层卷积特征， 对第t帧的HOG特征、 CN特征、 分 层卷积特 征进行融合处 理， 得到融合后的特 征X， 其中， t为自然数； 步骤3、 基于所述的融合特征X和优化后的基于时间正则化的背景感知目标跟踪模型， 预测第t帧图像中目标的位置并输出结果， 所述基于时间正则化的背景感知目标跟踪模型 预先经过第t‑1帧图像中目标图像的训练； 步骤4、 根据第t帧的特 征图， 对所述优化后的目标跟踪模型进行 更新； 步骤5、 判断是否还有下一帧， 如果是， 则返回步骤1； 如果否， 则结束步骤。 2.根据权利 要求1所述的方法， 其特征在于： 所述步骤2中， 分层卷积特征采用VGG ‑19中 的conv5‑4和conv4‑4层。权　利　要　求　书 1/2 页 2 CN 114863338 A 23.根据权利要求1所述的方法， 其特征在于： 所述步骤4中， 采用在线自适应模板更新策 略更新拉格朗日参数， 滤波器模型 更新公式如下： 其中m和m ‑1分别表示视频序列的第m帧和第m ‑1帧， λ表示学习效率， λ＝0.0192， 为 当前帧学习获得的滤波器模板， 为前一帧得到的滤波器模板 。权　利　要　求　书 2/2 页 3 CN 114863338 A 3