(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 202211011081.6 (22)申请日 2022.08.23 (71)申请人 中国科学院长春光学精密机 械与物 理研究所 地址 130033 吉林省长 春市经济技 术开发 区东南湖大路38 88号 (72)发明人 刘晶红　苏银强　徐芳　刘成龙　 左羽佳　 (74)专利代理 机构 长春中科长光知识产权代理 事务所(普通 合伙) 22218 专利代理师 陈陶 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/277(2017.01) G06T 7/73(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于稀疏学习的从粗到细的鲁棒视觉 目标跟踪算法 (57)摘要 本发明涉及视觉目标跟踪领域， 具体提供了 一种基于稀疏学习的从粗到细 的鲁棒视觉目标 跟踪算法， 包括步骤S1： 建立目标外观模型、 S2： 对目标进行跟踪， 步骤S1中引入了上下文约束和 套索回归， 并将目标响应的稀 疏性嵌入至了跟踪 框架中； 步骤S2中采用从粗到细的定位方式， 采 用交互式Kalman滤波来监督并参与目标的定位， 对细定位时的响应图进行多峰检测。 本发明提供 的目标跟踪算法通过建立鲁棒、 稀 疏的目标外观 模型， 可有效抑制目标的内在干扰和外在干扰的 影响， 有效避免意外峰值造成的模 型漂移或跟踪 失败情况的发生， 可提高定位的准确性。 权利要求书4页 说明书11页 附图3页 CN 115294174 A 2022.11.04 CN 115294174 A 1.一种基于稀疏学习的从粗到细的鲁棒视觉目标跟踪算法， 其特征在于， 包括如下步 骤： S1： 建立鲁棒的目标外观模型； S11： 在经典滤波的基础上引入正则约束： S12： 利用套索回归从目标模型中选出 具有正向参 考价值的特征， 引入 λ1||w||1； S13： 添加正则约束： 将目标响应的稀疏性嵌入跟踪框架中； S14： 得到单通道下模型目标函数： 其中， x0∈Rn表示提取的目标， xi∈Rn i∈[1,4]表示周围的背景特征， y∈Rn表示理想的 二维高斯响应， w∈Rn表示需要学习的滤波器， 符号*表示循环卷积操作， 参数λ1用于控制特 征选择的力度， 参数 λ2用于控制背景响应回归到 0的力度， λSR用于控制响应的稀疏程度； S15： 对目标函数进行 逐步优化， 并求 解出滤波器； S2： 对目标进行跟踪； S21： 输入视频序列， 选 定第t‑1帧为目标的初始帧； S22： 确定目标的初始状态， 初始化交互式Kalman的相关参数， 通过参数和步骤S15中的 方法求解出初始帧的滤波器wt‑1； S23： 根据目标的初始状态在中心位置处选 定搜索区域， 提取目标 特征； S24： 基于提取的目标特征， 训练滤波器wt‑1得到粗定位滤波器wt‑1a和细定位滤波器 wt‑1b； S25： 根据第t ‑1帧图像训练得到的wt‑1a和wt‑1b， 通过从粗到细的定位方式， 确 定目标在 第t帧的相关状态； S26： 根据确定的第t帧的目标状态， 训练得到第t帧的滤波器wt； S27： 更新滤波器wt， 同时更新交 互式Kalman的相关参数； S28： 迭代求 解得到wt+1、 wt+2、 wt+3......， 直到得到w的最优解。 2.根据权利要求1所述的基于稀疏学习的从粗到细的鲁棒视觉目标跟踪算法， 其特征 在于， 所述步骤S25中通过从粗到细的定位方式对目标进行定位时， 利用交互式Kalman滤波 来监督目标的定位； 当从粗到细的定位方式定位的目标状态不佳时， 由交互式Kalman滤波 对目标进行定位。 3.根据权利要求2所述的基于稀疏学习的从粗到细的鲁棒视觉目标跟踪算法， 其特征 在于： 所述 步骤S24中包括 一个粗定位滤波器wt‑1a， 步骤S25包括如下粗定位 步骤： S251： 根据第t ‑1帧确定的目标状态， 选 定粗定位时的搜索区域； S252： 提取目标的深度特征与粗定位滤波器wt‑1进行循环卷积操作， 得到目标粗定位时 的响应图； S253： 根据响应图的最大值确定目标的中心位置， 同时利用交互式Kalman滤波估计目 标的中心位置； S254： 根据步骤S253中确定的两个中心位置进行粗定位位置筛选， 同时利用交互式权　利　要　求　书 1/4 页 2 CN 115294174 A 2Kalman滤波确定的目标位置作监 督； S255： 经粗定位位置筛选后， 若经深度特征和粗定位滤波器wt‑1确定的目标位移大于若 干倍交互式Kalman滤波确定的目标位移， 采用交互式Kalman滤波估计的中心 位置进行粗定 位； 反之， 利用深度特 征和粗定位滤波器wt‑1得到的响应图确定的中心位置进行粗定位。 4.根据权利要求3所述的基于稀疏学习的从粗到细的鲁棒视觉目标跟踪算法， 其特征 在于： 所述 步骤S24中包括 三个细定位滤波器wt‑1b， 步骤S25包括如下细定位 步骤： S256： 根据步骤S25 5确定的粗定位目标位置， 确定 搜索窗口并提取目标 特征； S257： 根据提取目标的深度特征与细定位滤波器wt‑1b进行循环卷积操作， 得到目标细定 位时的响应图； S258： 对三个用于细定位的响应图进行自适应融合， 得 出细定位的最终响应值； S259： 对响应值进行多峰值检测； S2510： 若响应图中存在多个意外峰值的干扰， 滤波器停止更新， 同时利用交互式 Kalman估计目标的位置； 若响应图表现为明显的峰值， 对目标进行正常跟踪； 得到第t帧的 目标状态。 5.根据权利要求1 ‑4中任一项所述的基于稀疏学习的从粗到细的鲁棒视觉目标跟踪算 法， 其特征在于： 所述 步骤S15包括如下步骤： S151： 根据循环卷积定理， 在目标函数(1)的基础上 得出目标函数(2) 其中， 矩阵X0,Xi分别为目标 特征x0和背景特征xi所有的移动表示； S152： 优化目标函数(2)， 引入等式约束w ＝g， 得到目标函数(3)： S153： 将等式约束w ＝g合并到目标函数(2)中， 得到目标函数的增广拉格朗日形式： 其中， s表示拉格朗日乘子， ρ >0表示 二次项的惩罚系数； S154： 采用交替方向乘子法(ADM M)通过迭代方式求 解w*、 g和s： 权　利　要　求　书 2/4 页 3 CN 115294174 A 3