1.一种基于相对熵的相关滤波跟踪方法,其特征在于:所述跟踪方法包括如下步骤:步骤1:读取视频第一帧图像与待跟踪目标的位置信息,加入训练集;
步骤2:提取当前训练集中目标的颜色特征和梯度特征,训练基于相对熵的相关滤波器,进行滤波器的初始化,使用相对熵的度量方法对响应图进行拟合;
步骤3:以上一帧目标位置为中心提取图像块用于目标检测,对当前帧图像的候选样本提取特征;
步骤4:对基于相对熵的相关滤波模型进行模型优化,生成优化更新后的基于相对熵的相关滤波器;
步骤5:使步骤4优化更新后的基于相对熵的相关滤波器与候选的图像块在频域上进行卷积操作,得到的结果通过逆傅里叶变换到时域的响应图,响应图的最高点就是目标的位置;
步骤6:重复步骤3-5直至读取视频所有帧结束,得到每一帧视频图像中待跟踪目标位置信息,其中,步骤4中使用交替方向乘子法ADMM最优化算法对基于相对熵的相关滤波模型进行模型优化,具体包括如下步骤:步骤4-1:将相对熵的相关滤波器在t帧时的目标函数等效地写成等式约束形式:其中:s.t.是ADMM的约束项,ADMM优化过程;
步骤4-2:将步骤4-1中的等式约束形式通过Parseval定理从时域转换到频域:其中,
步骤4-3:根据最优化方法中ADMM的求解过程,表示为增广拉格朗日形式:其中,
2.根据权利要求1所述一种基于相对熵的相关滤波跟踪方法,其特征在于:所述步骤2中,相对熵的相关滤波器在t帧时的目标函数为:其中,
3.根据权利要求2所述一种基于相对熵的相关滤波跟踪方法,其特征在于:所述步骤4中使用交替方向乘子法ADMM最优化算法对基于相对熵的相关滤波模型进行模型优化。
4.根据权利要求1所述一种基于相对熵的相关滤波跟踪方法,其特征在于:所述步骤4-3中ADMM求解具体为:通过对子问题求解得到具体的子问题更新公式:子问题w如下所示:
通过对等式两边求导,
其中,由于公式太长,具体分子的表达时A、B、C如下所示:子问题h如下所示:
通过对等式两边求导,h的更新公式为:F
子问题ζ如下所示:
通过对等式两边求导,ζ的更新公式为:其中,
μ
ADMM优化参数的初始惩罚因子μ、步长β和最大值μ随着ADMM迭代次数结束,当前帧的滤波器更新,更新公式如下:其中,
当追踪视频图像到下一帧,重复上述步骤。
5.根据权利要求1所述一种基于相对熵的相关滤波跟踪方法,其特征在于:所述步骤5中的卷积操作具体过程为:其中,x为搜索区域图像特征,其中d表示特征通道的个数,α