本發(fā)明屬于計算機圖像技術(shù)領(lǐng)域，具體地涉及一種融合檢測器的魯棒視覺目標(biāo)跟蹤的方法及裝置。

背景技術(shù)：

常見的視覺目標(biāo)的跟蹤方法是通過人工選取第一幀圖像中的目標(biāo)，然后通過在線學(xué)習(xí)目標(biāo)的生成模型或在線學(xué)習(xí)判別目標(biāo)和背景的判別模型來實現(xiàn)對目標(biāo)的跟蹤，在一些復(fù)雜條件下(如環(huán)境光線變化、目標(biāo)被遮擋及目標(biāo)不在攝像機視野內(nèi)等)，會導(dǎo)致跟蹤漂移問題，進而使得跟蹤失敗，由于缺乏檢測器的有效輔助，跟蹤器丟失目標(biāo)之后很難重新跟蹤到目標(biāo)。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中在復(fù)雜條件下，跟蹤器會產(chǎn)生漂移問題使得跟蹤失敗以及跟蹤器丟失目標(biāo)之后很難重新跟蹤到目標(biāo)等問題，本發(fā)明目的在于提供一種融合檢測器的魯棒的視覺目標(biāo)跟蹤方法及裝置。

根據(jù)本發(fā)明的一個方面，提供了一種視覺目標(biāo)跟蹤方法，該方法包括步驟如下：

步驟S1：離線訓(xùn)練預(yù)定目標(biāo)的檢測器

步驟S2：采用所述檢測器檢測第i-1幀圖像中的所述預(yù)定目標(biāo)，其中i為大于等于1的正整數(shù)；

步驟S3：在線學(xué)習(xí)跟蹤器判別模型；

步驟S4：采用所述跟蹤器判別模型跟蹤第i幀圖像中的所述預(yù)定目標(biāo)；

步驟S5：通過所述檢測器判斷所述跟蹤器判別模型跟蹤所述預(yù)定目標(biāo)是否成功；

步驟S6：若所述跟蹤器判別模型跟蹤所述預(yù)定目標(biāo)成功，則存儲所述跟蹤器判別模型跟蹤得到的所述預(yù)定目標(biāo)的特征向量及跟蹤得到的目標(biāo)圖像，并在線學(xué)習(xí)跟蹤器判別模型，轉(zhuǎn)步驟S7；否則，i＝i+1，轉(zhuǎn)步驟S2重新檢測所述預(yù)定目標(biāo)并重新在線學(xué)習(xí)所述跟蹤器判別模型；

步驟S7：通過基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正，i＝i+1，然后跳轉(zhuǎn)到步驟S4。

其中，步驟S1包括以下步驟：

步驟S11：計算正負(fù)樣本圖像的梯度方向直方圖特征，生成正樣本圖像和負(fù)樣本圖像的特征向量；包括：

步驟S11A：將正樣本圖像通過雙線性差值方法歸一化為固定大小w_s×h_s，其中w_s為歸一化正樣本圖像的寬，h_s為歸一化正樣本圖像的高；

步驟S11B：將歸一化的正樣本圖像劃分為N_c1×N_c2個細(xì)胞單元C_ij，1＜i＜N_c1，1＜j＜N_c2；每個細(xì)胞單元大小為k×k，其中k＝w_s/N_c1＝h_s/N_c2；

步驟S11C：在每個細(xì)胞單元C_ij中對梯度方向進行獨立統(tǒng)計，以梯度方向為橫軸的直方圖，然后將這個梯度分布平均分成多個無符號方向角度，每個方向角度范圍對應(yīng)方向角度范圍的梯度幅值累積值，將多個梯度幅值累積值組成多個維特征向量V_ij，然后通過4個歸一化系數(shù)對V_ii進行歸一化，進而得到細(xì)胞單元C_ij對應(yīng)的特征向量F_ij；

步驟S11D：將歸一化正樣本圖像中所有細(xì)胞單元的梯度方向直方圖特征向量F_ij串聯(lián)構(gòu)成正樣本圖像的特征向量V_P；

步驟S11E：采用與步驟S11A至步驟S11D相同的方式計算大小為w_s×h_s的負(fù)樣本圖像的特征向量V_F；

步驟S12：采用隨機梯度下降法訓(xùn)練檢測分類器；

其中，檢測分類器采用的是線性支持向量機分類器，其優(yōu)化目標(biāo)函數(shù)為：

其中為SVM的參數(shù)向量，y_i∈{-1，+1}為樣本的類別標(biāo)簽，其中x為正樣本圖像或負(fù)樣本圖像的特征向量；其中為檢測分類器的判別函數(shù)。

其中，步驟S2包括以下步驟：

步驟S21：根據(jù)所述當(dāng)前幀圖像生成圖像金子塔；

步驟S22：將每幅所述圖像金字塔劃分為多個細(xì)胞單元，；然后通過梯度直方圖統(tǒng)計方法獲取每個細(xì)胞單元的特征向量，生成圖像特征金字塔；

步驟S23：在圖像特征金字塔中，利用所述檢測器采用滑動窗口的方式檢測所述預(yù)定目標(biāo)。

其中，步驟S3包括下述步驟：

步驟S31：將第i幀圖像的所述預(yù)定目標(biāo)進行狀態(tài)化表示，得到目標(biāo)狀態(tài)s_i；其中，s_i＝(Δx_i，Δy_i，sc_i，r_i)，其中Δx_i、Δy_i為所述檢測器檢測到的第i幀圖像中的所述預(yù)定目標(biāo)相對前一幀跟蹤到的所述預(yù)定目標(biāo)的中心點位置的二維平移量，sc_i表示所述檢測器檢測到的第i幀圖像中的所述預(yù)定目標(biāo)相對前一幀跟蹤到的所述預(yù)定目標(biāo)的面積大小的尺度比，r_i表示目標(biāo)狀態(tài)s_i對應(yīng)的圖像區(qū)域的長寬比；

步驟S32：通過高斯分布對所述目標(biāo)狀態(tài)進行狀態(tài)轉(zhuǎn)移，獲得采樣狀態(tài)集合m為采樣狀態(tài)集合中目標(biāo)狀態(tài)的個數(shù)；

步驟S33：計算采樣狀態(tài)集合對應(yīng)的圖像區(qū)域的特征向量；

步驟S34：將采樣狀態(tài)集合對應(yīng)的圖像區(qū)域的特征向量作為樣本，通過優(yōu)化基于狀態(tài)的結(jié)構(gòu)SVM分類器實現(xiàn)跟蹤器判別模型的在線學(xué)習(xí)。

其中，所述步驟S33包括以下步驟：

步驟S33A：獲取所述采樣狀態(tài)集合中每個狀態(tài)對應(yīng)的圖像區(qū)域；通過所述檢測器在第i幀圖像中檢測到的所述預(yù)定目標(biāo)的位置(x_Ci，y_Ci，w_i，h_i)，采用以下公式計算第j個狀態(tài)對應(yīng)的圖像區(qū)域的位置

其中，x_Ci、y_Ci為所述狀態(tài)s_i對應(yīng)的圖像區(qū)域的中心點位置，w_i、h_i分別為所述狀態(tài)s_i對應(yīng)的圖像區(qū)域的寬和高；分別為第j個狀態(tài)對應(yīng)的圖像區(qū)域的中心點位置，分別為第j個狀態(tài)對應(yīng)的圖像區(qū)域的寬和高；表示所述狀態(tài)s_i對應(yīng)的圖像區(qū)域的長寬比；

步驟S33B：計算所述采樣狀態(tài)集合中每個狀態(tài)對應(yīng)的圖像區(qū)域的歸一化特征向量。

其中，步驟34中基于狀態(tài)的結(jié)構(gòu)SVM分類器的優(yōu)化問題如下表示：

其中C為懲罰系數(shù)，其中為對應(yīng)狀態(tài)s_i的特征向量，為第i幀圖像中所有的狀態(tài)，包括狀態(tài)轉(zhuǎn)移獲得的采樣狀態(tài)和目標(biāo)的狀態(tài)；其中為特征向量和之間的損失函數(shù)，其中為高斯核函數(shù)，Φ為將特征向量從低維空間到高維空間的映射，其中1≤i≤n為模型參數(shù)，n為在跟蹤過程中，每幀圖像中采集的狀態(tài)的個數(shù)；其中，跟蹤器判別模型的判別函數(shù)為其中

其中，基于狀態(tài)的結(jié)構(gòu)SVM分類器的在線優(yōu)化過程包括如下步驟：

步驟S34A：選取第i幀圖像中狀態(tài)目標(biāo)特征向量對應(yīng)的參數(shù)作為選取其中，為步驟S34中優(yōu)化目標(biāo)函數(shù)對的梯度；s_i+表示與參數(shù)相對應(yīng)的目標(biāo)狀態(tài)，s_i-表示與參數(shù)相對應(yīng)的目標(biāo)狀態(tài)；

步驟S34B：更新參數(shù)和首先，計算然后，計算其中

計算然后，更新若則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即若則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即最后，更新支持梯度集合G中的梯度

步驟S34C：進行支持向量維護；若支持向量集合V_sup中的支持向量數(shù)量大于200，則剔除支持向量集合V_sup中的支持向量x^clear直到支持向量集合V_sup中的支持向量數(shù)量小于200，其中

步驟S34D：從現(xiàn)有的支持模式集合中，選取其中至少包含一個支持向量的集合稱為支持模式集合，采用步驟S34B更新參數(shù)和并采用步驟S34C進行支持向量維護；

步驟S34E：從現(xiàn)有的支持模式集合中，選取采用步驟S34B更新參數(shù)和并采用步驟S34C進行支持向量維護；

步驟S34F：轉(zhuǎn)步驟S34E，直至滿足第一迭代結(jié)束條件為止；

步驟S34G：轉(zhuǎn)步驟S34D，直至滿足第二迭代結(jié)束條件為止。

其中，步驟S4包括以下步驟：

步驟S41：將所述預(yù)定目標(biāo)在第i-1幀圖像中的目標(biāo)狀態(tài)和采樣狀態(tài)做為第i幀圖像的采樣狀態(tài)，并計算每個采樣狀態(tài)在第i幀圖像中的圖像區(qū)域，進而計算每個采樣狀態(tài)對應(yīng)的圖像區(qū)域的特征向量；

步驟S42：通過所述跟蹤器判別模型的判別函數(shù)，計算每個采樣狀態(tài)對應(yīng)的圖像區(qū)域的特征向量的判別值，并將具有最大判別值的采樣狀態(tài)作為第i+1幀圖像的目標(biāo)狀態(tài)。

其中，所述步驟S6中存儲的所述預(yù)定目標(biāo)的特征向量最多不超過200個，若超過200個，則僅保存最新得到的200個所述預(yù)定目標(biāo)的特征向量。

其中，步驟S7包括下述步驟：

步驟S71：對步驟S6中存儲的所述預(yù)定目標(biāo)的特征向量集進行基于密度峰值的聚類；首先，對于集合C中的每一個特征向量計算其對應(yīng)的局部密度ρ_i及比其局部密度更高的點的距離δ_i；

然后，計算集合C中每個特征向量對應(yīng)的γ_i＝ρ_iδ_i，從而獲得集合

最后，將集合中的數(shù)據(jù)進行降序排列，以獲得集合選擇集合C中對應(yīng)集合中前n_r個數(shù)據(jù)構(gòu)成數(shù)據(jù)集

步驟S72：將基于密度峰值聚類方法挖掘出的數(shù)據(jù)集D中的特征向量替換跟蹤器判別模型中具有較低置信度的n_r個正支持向量。

根據(jù)本發(fā)明第二方面，提供了一種視覺目標(biāo)跟蹤裝置，包括：

檢測器訓(xùn)練模塊，用于離線訓(xùn)練預(yù)定目標(biāo)的檢測器

檢測模塊，用于采用所述檢測器檢測第i-1幀圖像中的所述預(yù)定目標(biāo)，其中i為大于等于1的正整數(shù)；

跟蹤器學(xué)習(xí)模塊，用于在線學(xué)習(xí)跟蹤器判別模型；

跟蹤模塊，用于采用所述跟蹤器判別模型跟蹤第i幀圖像中的所述預(yù)定目標(biāo)；

判別模塊，用于通過所述檢測器判斷所述跟蹤器判別模型跟蹤所述預(yù)定目標(biāo)是否成功；若所述跟蹤器判別模型跟蹤所述預(yù)定目標(biāo)成功，則存儲所述跟蹤器判別模型跟蹤得到的所述預(yù)定目標(biāo)的特征向量及對應(yīng)的子圖像，并利用跟蹤器學(xué)習(xí)模塊在線學(xué)習(xí)跟蹤器判別模型，采用基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正，i＝i+1，轉(zhuǎn)跟蹤模塊繼續(xù)跟蹤下一幀圖像；否則，i＝i+1，轉(zhuǎn)檢測模塊重新檢測所述預(yù)定目標(biāo)并重新在線學(xué)習(xí)所述跟蹤器判別模型。

通過本發(fā)明上述技術(shù)方案，通過檢測器和跟蹤器的有效融合，實現(xiàn)了對特定目標(biāo)的魯棒視覺檢測與跟蹤，能夠為視覺導(dǎo)航、視覺監(jiān)控等提供準(zhǔn)確的視覺目標(biāo)信息。

附圖說明

圖1為本發(fā)明中一種視覺目標(biāo)跟蹤方法的流程圖；

圖2為本發(fā)明中離線訓(xùn)練特定目標(biāo)的檢測器的流程圖；

圖3為本發(fā)明中采用檢測器檢測圖像中的目標(biāo)的流程圖；

圖4為本發(fā)明中在線學(xué)習(xí)跟蹤器判別模型的流程圖；

圖5為本發(fā)明中采用跟蹤器跟蹤下一幀圖像中的目標(biāo)的流程圖；

圖6為本發(fā)明中通過基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正的流程圖；

圖7為本發(fā)明中計算待檢測圖像的圖像特征金字塔的示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細(xì)說明。

如圖1示出本發(fā)明一種融合檢測器的魯棒的視覺目標(biāo)跟蹤方法的流程圖，其步驟包括如下：

步驟S1：離線訓(xùn)練特定目標(biāo)的檢測器；

步驟S2：采用檢測器檢測圖像中的目標(biāo)；

步驟S3：在線學(xué)習(xí)跟蹤器判別模型；

步驟S4：采用跟蹤器跟蹤下一幀圖像中的目標(biāo)；

步驟S5：通過檢測器判斷跟蹤器是否跟蹤失??；

步驟S6：若跟蹤成功則累積目標(biāo)的特征向量及對應(yīng)的子圖像，并再一次采用步驟S3中的方法進行在線學(xué)習(xí)跟蹤器判別模型，否則跳轉(zhuǎn)到步驟S2重新檢測圖像中的目標(biāo)；

步驟S7：通過基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正，然后跳轉(zhuǎn)到步驟S4。

其中，如圖2所示，步驟S1離線訓(xùn)練特定目標(biāo)的檢測器包括以下幾個步驟：

步驟S11：計算正負(fù)樣本圖像的梯度方向直方圖特征，生成正樣本圖像和負(fù)樣本圖像的特征向量。具體過程為：

步驟S11A：將正樣本圖像通過雙線性差值方法歸一化為固定大小w_s×h_s，其中w_s為歸一化正樣本圖像的寬，h_s為歸一化正樣本圖像的高。

步驟S11B：將歸一化的正樣本圖像劃分為N_c1×N_c2個細(xì)胞單元C_ij，1＜i＜N_c1，1＜j＜N_c2。每個細(xì)胞單元大小為k×k，其中k＝w_s/N_c1＝h_s/N_c2。

步驟S11C：在每個細(xì)胞單元C_ij中對梯度方向進行獨立統(tǒng)計，以梯度方向為橫軸的直方圖，梯度方向取0度到180度(忽略方向符號)，然后將這個梯度分布平均分成n個無符號方向角度，每個方向角度范圍對應(yīng)方向角度范圍的梯度幅值累積值，將n個梯度幅值的累積值，組成n維特征向量V_ij，然后通過m個歸一化系數(shù)對V_ij進行歸一化，進而得到細(xì)胞單元C_ij對應(yīng)的特征向量F_ij。其中F_ij由下式求取，其中n的取值范圍為5至15，優(yōu)選為9，m可以為4：

其中α，β∈{-1，1}為4個歸一化系數(shù)，通過下式求?。?/p>

其中V_i+α，j，V_{i，j+β}，V_i+α，j+β分別為細(xì)胞單元C_{i+α，j}，C_i，j+β，C_{i+α，j+β}通過步驟S11C計算出的9維特征向量。

步驟S11D：將歸一化正樣本圖像中所有細(xì)胞單元的梯度方向直方圖特征向量F_jj串聯(lián)構(gòu)成正樣本特征向量V_P。

步驟S11E：采用與步驟S11A至步驟S11D相同的方式計算大小為w_s×h_s的負(fù)樣本圖像的特征向量V_F。

步驟S12：采用隨機梯度下降法訓(xùn)練檢測分類器；

其中，檢測分類器采用的是線性支持向量機分類器(SVM)，其優(yōu)化目標(biāo)函數(shù)為：

其中為SVM的參數(shù)向量，w為權(quán)重向量，b為偏移量，y_i∈{-1，+1}為樣本的類別標(biāo)簽，其中x為正樣本或負(fù)樣本圖像對應(yīng)的特征向量，C為懲罰系數(shù)，N為樣本數(shù)量。其中為檢測分類器的判別函數(shù)，其表達(dá)式為

其中，如圖3所示，步驟S2采用檢測器檢測圖像中的目標(biāo)包括以下步驟：

步驟S21：通過平滑及下采樣等步驟生成圖像金子塔。過程如圖7左圖所示，參數(shù)λ代表圖像金子塔中每個八度中圖像的個數(shù)，亦代表圖像的長(寬)降低到原來的一半需要下采樣的次數(shù)，圖7所示的圖像金子塔的參數(shù)λ＝2，其可以根據(jù)實際設(shè)置成不同的值，例如可以設(shè)置成λ＝5。

步驟S22：將金字塔中的每幅圖像劃分為小的細(xì)胞單元，每個細(xì)胞單元大小為k×k大小的小圖像，然后按照步驟S11C計算每個細(xì)胞單元的特征向量F_ij，生成圖像特征金字塔，如圖7右圖所示。

步驟S23：在圖像特征金字塔中，視覺檢測分類器采用滑動窗口的方式對錐套目標(biāo)進行檢測。具體過程為：

步驟S23A：采用大小為N_c1×N_c2個細(xì)胞單元的窗口在圖像特征金字塔中滑動，通過檢測器的判別函數(shù)計算圖像特征金字塔中所有滑動位置處的分值，其中為SVM的參數(shù)向量，x為每個滑動窗口處的特征向量。

步驟S23B：通過比較得到所有滑動位置處分類分值的最大值S_M，如果S_M＞T₁，則具有最大分類分值的滑動位置為待檢測圖像中目標(biāo)的位置，否則待檢測圖像中不存在目標(biāo)，其中T₁為分類閾值。

其中，如圖4所示，步驟S3在線學(xué)習(xí)跟蹤器判別模型的具體過程如下：

步驟S31：將第i幀圖像的目標(biāo)進行狀態(tài)化表示。其中檢測器檢測到目標(biāo)在當(dāng)前幀圖像中的位置為(x_Ci，y_Ci，w_i，h_i)，x_Ci，y_Ci為目標(biāo)圖像區(qū)域的中心點位置，w_i，h_i分別為目標(biāo)圖像區(qū)域的寬和高。其中狀態(tài)定義為s_i＝(Δx_i，Δy_i，sc_i，r_i)，其中Δx_i，Δy_i為檢測器檢測到目標(biāo)相對第i-1幀圖像中跟蹤到的目標(biāo)中心點位置的二維平移量，sc_i表示相對目標(biāo)大小的尺度比，即狀態(tài)s_i對應(yīng)圖像區(qū)域的面積與第i-1幀圖像中跟蹤到的目標(biāo)的面積比，r_i表示長寬比，即狀態(tài)s_i對應(yīng)圖像區(qū)域(即所述檢測器檢測到的第i幀圖像中的所述預(yù)定目標(biāo))的高度和寬度的比值。目標(biāo)在當(dāng)前圖像中的狀態(tài)

步驟S32：通過高斯分布對目標(biāo)狀態(tài)進行狀態(tài)轉(zhuǎn)移，獲得采樣狀態(tài)集合其中獲得采樣狀態(tài)集合中的狀態(tài)s_i的高斯分布為：

其中，為高斯分布的概率密度函數(shù)，符號記為N；∑_ST為對角協(xié)方差矩陣，其對角元素對應(yīng)著Δx_i，Δy_i，sc_i，r_i的方差σ_Δx，σ_Δy，σ_sc，σ_r。

步驟S33：計算采樣狀態(tài)集合對應(yīng)圖像區(qū)域的特征向量。具體步驟如下：

步驟S33A：獲取每個狀態(tài)對應(yīng)的圖像區(qū)域。通過目標(biāo)在圖像中的位置(x_Ci，y_Ci，w_i，h_i)及采樣狀態(tài)集合中狀態(tài)采用以下公式計算狀態(tài)對應(yīng)的圖像區(qū)域的位置

步驟S33B：計算每個狀態(tài)對應(yīng)的圖像區(qū)域的特征向量。將每個狀態(tài)對應(yīng)的圖像區(qū)域歸一化為X×X大小的子圖像，并將子圖像的像素值，按列排列成X×X維特征向量，并將特征向量除以256，使得特征向量每個維度的取值歸一化在[0，1]范圍。

步驟S34：通過優(yōu)化基于狀態(tài)的結(jié)構(gòu)SVM分類器實現(xiàn)跟蹤器判別模型的在線學(xué)習(xí)。

其中，基于狀態(tài)的結(jié)構(gòu)SVM分類器的優(yōu)化問題為：

其中C為懲罰系數(shù)，其中為對應(yīng)狀態(tài)s_i的特征向量，為第i幀圖像中所有的狀態(tài)，包括狀態(tài)轉(zhuǎn)移獲得的采樣狀態(tài)和目標(biāo)的狀態(tài)。其中為特征向量和之間的損失函數(shù)，其中為高斯核函數(shù)，Φ為將特征向量從低維空間到高維空間的映射，其中1≤i≤n為模型參數(shù)，n為在跟蹤過程中，每幀圖像中采集的狀態(tài)的個數(shù)。其中，跟蹤器判別模型的判別函數(shù)為其中

其中，基于狀態(tài)的結(jié)構(gòu)SVM分類器的在線優(yōu)化過程為：

步驟S34A：選取當(dāng)前幀圖像中目標(biāo)特征向量對應(yīng)的參數(shù)作為選琳其中，為步驟S34中優(yōu)化目標(biāo)函數(shù)對的梯度。s_i+表示與參數(shù)相對應(yīng)的狀態(tài)，s_i-表示與參數(shù)相對應(yīng)的狀態(tài)。

步驟S34B：更新參數(shù)和首先，計算然后，計算其中

計算然后，更新者則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即若則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即最后，更新支持梯度集合G中的梯度

步驟S34C：進行支持向量維護。若支持向量集合V_sup中的支持向量數(shù)量大于200，剔除支持向量集合V_sup中的支持向量x^clear直到支持向量集合V_sup中的支持向量數(shù)量小于200，其中

其中，代表第i幀圖像中的采樣狀態(tài)集合中的采樣狀態(tài)。

步驟S34D：從現(xiàn)有的支持模式集合中，選取其中至少包含一個支持向量的集合稱為支持模式集合，采用步驟S34B更新參數(shù)和并采用步驟S34C進行支持向量維護。

步驟S34E：從現(xiàn)有的支持模式集合中，選取采用步驟S34B更新參數(shù)和并采用步驟S34C進行支持向量維護。

步驟S34F：循環(huán)運行步驟S34E 10次。

步驟S34G：循環(huán)運行步驟S34D至S34F 10次。

其中，如圖5所示，步驟S4采用跟蹤器跟蹤下一幀圖像中的目標(biāo)的步驟為：

步驟S41：將目標(biāo)在上一幀圖像中的目標(biāo)狀態(tài)和采樣狀態(tài)做為下一幀圖像的采樣狀態(tài)，并通過步驟S33A計算每個狀態(tài)在下一幀圖像中的圖像區(qū)域，通過步驟S33B計算每個狀態(tài)對應(yīng)的圖像區(qū)域的特征向量。

步驟S42：通過步驟S34中跟蹤器判別模型的判別函數(shù)計算每個狀態(tài)對應(yīng)的圖像區(qū)域的特征向量的判別值。并將具有最大判別值的狀態(tài)作為下一幀圖像中目標(biāo)的狀態(tài)。

其中步驟S5通過檢測器判斷跟蹤器是否跟蹤失敗的具體實施過程為：對具有最大判別值的狀態(tài)對應(yīng)的圖像區(qū)域計算步驟S11中的梯度方向直方圖特征，并通過步驟S12中檢測分類器的判別函數(shù)計算判別值，若判別值大于閾值T2，則跟蹤目標(biāo)成功，否則跟蹤目標(biāo)失敗。

其中步驟S6中所存儲的目標(biāo)的特征向量最多不超過200個，若超過200個則僅保存最新累積的200個目標(biāo)特征向量。

其中，如圖6所示，步驟S7中通過基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正的具體實施步驟如下：

步驟S71：對步驟S6中累積的目標(biāo)的特征向量集進行基于密度峰值的聚類。首先，對于集合C中的每一個特征向量計算其對應(yīng)的局部密度ρ_i，計算與比其局部密度高的點的距離，取所有距離的最小值為δ_i，其中

其中d_ij為特征向量和特征向量之間的距離，當(dāng)x＜0時，χ(x)＝1，否則χ(x)＝0，d_c為距離閾值。然后，計算集合C中每個特征向量對應(yīng)的密度評價系數(shù)γ_i＝ρ_iδ_i，從而獲得集合最后，將集合中的數(shù)據(jù)進行降序排列，以獲得集合選擇集合C中對應(yīng)集合中前n_r個數(shù)據(jù)構(gòu)成數(shù)據(jù)集

步驟S72：將基于密度峰值聚類方法挖掘出的數(shù)據(jù)集D中的特征向量替換跟蹤器判別模型中具有較低置信度的n_r個正支持向量。首先，對步驟S34B中支持向量集合V_sup中對應(yīng)的支持向量的狀態(tài)對應(yīng)的圖像區(qū)域歸一化為大小為w_s×h_s的圖像。然后，對每一個歸一化的圖像，計算步驟S11中的梯度直方圖特征向量^Tpx_i，將所有特征向量構(gòu)成集合Tp＝{^Tpx₁，...，^Tpx_i，...^Tpx_N}。通過檢測器的判別函數(shù)計算集合Tp中所有特征向量的判別值。最后，將數(shù)據(jù)集D中的前n_r個特征向量替換支持向量集合V_sup中具有較小檢測判別值的n_r個正支持向量。

以上所述，僅為本發(fā)明中的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的權(quán)利要求書的保護范圍之內(nèi)。