基于上下文的目标尺度自适应跟踪方法与流程

本发明涉及一种图像跟踪领域，尤其是目标尺度跟踪方法。
背景技术：
：根据《2014年国民经济和社会发展统计公报》数据显示，至2014年底，中国民用汽车数量创历史新高，同时交通事故与不文明行车行为多发。面对日益复杂的管理问题，如何由监控系统对车辆进行自适应跟踪成为当前目标跟踪技术研究的重点。与目标的中心位置相比，目标的实时尺度对目标后续识别与分类具有重要意义。当前的跟踪算法依据所使用的目标模型的不同可分为基于表观模型的跟踪算法与基于运动模型的跟踪算法，其中，表观模型算法以目标特征的变化对目标的尺度进行跟踪，相较于运动模型算法以运动规律对目标尺度进行估计更为可信。表观模型依据其模型建立方法可细分为描述型算法与分类型算法。描述型算法对目标特征进行描述，辨别型算法以目标-背景特征建立前-背景分类器以分类的手段将目标从图像中分割出来。可见，分类型算法在跟踪目标的过程中同时得到目标的尺度大小，但分类型算法的实现需要基于大数量样本进行可靠的训练，相较于描述型算法而言实现较为复杂。然而，当前描述型算法的自适应尺度调整能力有待提高。目前，已出现的改进算法有固定步长带宽增量法、基于尺度空间的变窗宽法、迭代更新尺度描述参考法以及基于仿射变换的协同计算法。然而，固定步长带宽法的结果不能适应目标尺寸变大的情况、尺度空间法、参考更新法的计算量过大，仿射变换协同计算法需要计算大量仿射参量。香港理工大学张磊教授等人提出尺度方向自适应均值漂移(ScaleandOrientationAdaptiveMeanShift,SOAMS)算法以建立目标尺度自适应调整机制，SOAMS算法的核心思想是使用包含矩信息的椭圆描述子对目标形状与尺度进行表示，并使用候选区域的巴氏系数对描述子表示的候选区域面积进行修正。修正过程为使用巴氏系数Bi计算调整系数c，使用该系数对候选区域面积进行校正，如下式所示：c=exp(Bi-1σ)---(1)]]>A＝c*N(2)其中N为当前目标候选区域面积大小，Bi为当前目标候选区域的巴氏系数，σ为函数梯度调整系数，A为修正后的候选区域面积。该算法具有明显的缺陷，表现在巴氏系数仅是表征候选区域与目标模型之间相似度的一种指标，与目标尺度之间并不存在一一对应的关系。这种非一一对应关系表现在候选区域面积过大或过小时都会造成巴氏系数较小的情况。这种非一一对应关系在使用巴氏系数对候选区域面积进行调节时会造成误差增大导致算法有效性与准确性降低。技术实现要素：为了克服现有技术的不足，本发明针对SOAMS算法在尺度调整机制上仅使用巴氏系数造成在目标放大过程中不能准确跟踪目标尺度变化的问题，提出一种基于上下文信息的改进调整机制。本方法首先对依据最优候选区域的大小与上下文尺度的关系判定目标的运动状态从而确定调整函数区间，然后在调整函数区间内根据当前帧的相似系数计算调整参数。针对目标尺度的变化，我们依据样本数据的分布构建以巴氏系数为变量的调整函数，并参考目标尺度在上下文中的潜在关联性确定适宜的调整类别。尺度调整过程分为三个阶段，首先得到目标候选区域，该区域将视为可信度较高的目标位置，并统计该区域的巴氏系数。然后依照上下文尺度关联性，确定目标尺度的变化趋势。最后，调用调整函数对目标尺度进行确定，得到综合考量当前信息与历史信息的具备较高置信度的目标尺度。本发明解决其技术问题所采用的技术方案是以SOAMS算法为基础，使用基于表观特征和上下文信息的目标尺度调整算法对目标尺度调整机制进行改进，本发明方法主要包括基于上下文信息的尺度调整类型确定，以及调用调整函数利用表观信息与上下文信息的尺度计算两部分。本发明的具体步骤如下：第一步：在视频序列初始帧中确定目标并计算目标模型目标模型由以目标中心为原点的像素集合{xi}i＝1,2,...N,组成，N表示目标区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标可建模为：q={qfe}fe=1,2,...,Mqfe=CΣi=1Nk(||xih||2)δ[b(xi)-fe]---(3)]]>式中：q——目标模型；qfe——第fe个特征在目标模型上的概率；M——特征空间分量数δ——选择函数；b(xi)——对应像素处颜色特征值；k(x)——加权核函数，为距中心远的像素分配较小的权值；||xi||2——计算像素模值，表征像素距中心的远近；C——归一化系数，计算式如下C=1Σi=1Nk(||xih||2);---(4)]]>h——核函数窗宽，表征跟踪窗体的大小；第二步：计算目标区域的矩统计特征与方差阵，确定搜索区域，在搜索区域内确定搜索区域模型p(X)，确定方法如下：本发明中使用矩统计特征对图像中包含的目标的尺度进行描述，对于图像像素值为f(x,y)的区域，该区域的(p+q)阶矩特征定义为Mpq＝∫∫xp*yq*f(x,y)dxdy,p,q＝0,1,...∞(5)根据矩特征定义，将目标区域的中心坐标与像素点集合的坐标代入式(5)即可求得目标区域的二阶矩μ02、μ11、μ20，构造协方差阵对协方差阵进行奇异值分解得到其特征值：Cov=U*S*UT=u11u12u21u22*λ1200λ22*u11u12u21u22T---(6)]]>式中：λ1,λ2——目标区域矩特征的特征值；U——特征分解得到的特征向量构成的矩阵；UT——矩阵U的转置矩阵；S——对Cov阵进行分解后得到的中间转化矩阵；(u11,u21)T，(u12,u22)T——分别为矩特征的特征值λ1,λ2的特征向量；此时由式(6)得到的矩阵S以椭圆形表征了目标的尺度信息，SOAMS算法以椭圆中心为原点，重新构建以椭圆长短半轴为坐标轴的坐标系，即本原坐标系，求得当前椭圆的长短半轴的尺度为a和b，由于a、b与λ1,λ2都表征了目标的长短半轴，则有λ1/λ2≈a/b，设a＝k*λ1,b＝k*λ2，其中k为尺度因子，根据目标区域面积A及椭圆面积公式S＝π*a*b，有A＝π*a*b＝π*(k*λ1)*(k*λ2),两式联立可求出k为k=A/(π*λ1*λ2)---(7)]]>此时求出a,b，则Cov阵可转化为本原坐标系下的形式：Cov1=U*a200b2*UT---(8)]]>由式(8)得到的新构造的协方差阵Cov1可使用递增增量Δd确定表征目标在下一帧中的搜索区域尺度的协方差阵Cov2如式(9)，在本发明中所使用的增量模值为5个像素：Cov2=U*(a+Δd)200(b+Δd)2*UT---(9)]]>式中：Δd——递增增量，用以控制搜索区域的大小变化；a——目标区域长半轴；b——目标区域短半轴；此时满足下式的像素点集合X则为下一帧中的搜索区域坐标(X-Xo)*Cov2-1*(X-Xo)T≤1---(10)]]>目标搜索区域由目标搜索区域内的像素集合X'＝{x'i}i＝1,2,...N',组成，其中心记为Xo'，N'表示目标搜索区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标搜索区域可建模为：p(X)={pfe}fe=1,2,...,N′pfe(X)=ChΣi=1N′k(||xi′-Xo′h||2)δ[b(xi′)-fe]---(11)]]>式中：p(X)——目标搜索区域模型；pfe(X)——第fe个特征在目标模型上的概率；b(xi')——对应像素处颜色特征值；Ch——归一化系数，计算式如下：Ch=1Σi=1N′k(||xi′-Xo′h||2);---(12)]]>第三步：由均值漂移算法在搜索区域内求得候选区域，计算候选区域特征在由第一步、第二步得到目标模型q与搜索区域模型pfe(X)后，由均值漂移算法，计算如式(13)均值漂移向量Xo，在一次搜索任务中每一次迭代搜索结束后Xo的值将赋给迭代起始点X'o进行下一次迭代搜索，在搜索任务结束后Xo值为得到的最优搜索区域的质心坐标，此时最优搜索区域即为目标候选区域，式(13)所示的均值漂移向量通过计算目标候选区域内像素点x'i与迭代起始点X'o的加权距离与搜索区域的零阶矩之比得到，其中权值wi为搜索区域内第i个像素对应的特征隶属于目标模型的概率，候选区域内第i个像素所对应的特征由特征计算函数b(xi)确定；Xo=Σi=1N′xiwig(||Xo′-xi′h||2)Σi=1N′wig(||Xo-xi′h||2)---(13)]]>wi=Σfe=1N′qfepfe(X)δ[b(xi)-fe]---(14)]]>式中：X'o——迭代起始点x'i——搜索区域内像素点wi——搜索区域内各像素点对应的权值g(x)——加权核函数，为距中心远的像素分配较小的权值；第四步：由目标候选区域特征得到的巴氏系数与目标候选区域面积N，调用本发明所提出的基于表观信息与上下文信息的尺度调整机制，对目标候选区域的面积进行调整，进行调整的操作为：首先由前一时刻确定的目标面积及目标的运动规律确定当前的估计面积M；根据当前目标候选区域的尺度N与目标当前估计尺度M，判定当前调整类型；若当前尺度优先度最高，则使用分段型函数，通过计算N/M的数值确定使用何式计算，并代入巴氏系数与N、M变量进行计算，反之，则使用学习型函数，通过计算N/M的数值确定使用何式计算基础输出ref，并根据ref的输出与N/M的数值判定是否需要进行截断或附加增益；若确需附加增益则对增益进行确定；所述的基于表观信息与上下文信息的尺度调整机制包括如下步骤：4.1、基于上下文信息的调整类型的确定假设当前目标候选区域的巴氏系数为Bi，前一帧中目标区域的巴氏系数为Bi-1，当前目标候选区域面积为N，根据前一帧中目标尺度，经由仿射变换得到当前目标面积的估计值M；调整类型的确定由N与M的大小关系进行确定，若N≥M，表示目标候选区域面积N大于等于当前目标面积的估计值M，需要在目标候选区域内选取目标的表观特征，用表观特征建立特征分布直方图，计算表观特征相似度对目标候选区域面积N进行缩小操作以符合目标的真实尺度；反之，若N<M，则表示目标候选区域的面积N小于当前目标面积的估计值M，则需要在目标候选区域内选取目标的表观特征，用表观特征建立特征分布直方图，来计算表观特征相似度对目标候选区域面积N进行放大操作以符合目标的真实尺度；4.2、基于表观信息与上下文信息的尺度计算若存在镜头漂移造成目标位置变动过大导致相邻视频帧中的目标位置互不交叠且跟踪任务中以最大化覆盖面积优先时，使用学习型函数；若镜头位置固定且以跟踪任务以最小化面积调整误差优先时，使用分段指数函数；调整函数类型确定后，调用对应的调整函数依据当前候选区域的巴氏系数进行计算；4.2.1使用学习型函数时，若调整类型根据步骤一确定为缩小操作，则根据当前目标候选区域的巴氏系数Bi计算尺度；若调整类型根据步骤一确定为放大操作，则根据当前目标候选区域的巴氏系数Bi与前一帧中目标区域的巴氏系数Bi-1进行计算，目标尺度进行缩小和放大调整的步骤如下：(1)调用基础调整函数，确定基础输出作为输出参考值，调用式(15)，根据N与M的比值由式(15)计算输出参考值ref；(2)调用式(16)对输出参考值ref进行判定：若N/M≥1.1且ref<1，则调整系数c的值为此时ref的值；若N/M≥1.1且ref>1，则对ref的数值进行截断，本发明使用的截断值为0.6，即此时的调整系数c为0.6；若N/M＜1.1，则调用式(17)的增益放大函数对ref进行放大，此时由巴氏系数之比(Bi/Bi-1)确定当前的增益大小对ref的放大系数k；ref=1.1,N/M<=1.1Max(0.8,9.5*temp),elsetemp=p1*Bi2+p2*Bi+p3Bi2+q1*Bi+q2p1=2272,p2=-3346,p3=1249,q1=-3300,q2=3298---(15)]]>c=0.6,ref>1andN/M>=1.1ref,ref<1andN/M>=1.1k*ref,else---(16)]]>k=3.3,Bi/Bi-1>=1.22.8,else---(17)]]>其中，temp为临时拟合函数，p1、p2、p3、q1和q2分别为学习函数拟合系数，Bi为第i帧中的巴氏系数，Bi-1为第i-1帧中的巴氏系数，k为增益系数，ref为基础输出；(3)得到校正系数c后可计算得到修正面积A＝c*N；4.2.2使用分段指数函数时：(1)依据当前调整类型，调用式(18)所示的分段指数型调整函数，确定调整系数c：c=Bi^(N/(1.1*M)),N≥Mmin(Bi^(NM-1),1.1),N<M---(18)]]>式中Bi为第i帧中的巴氏系数；(2)由步骤4.2.2的步骤(1)得到的校正系数c，可计算得到修正面积A＝c*N；第五步：计算当前协方差阵，标记目标，确定下一帧中目标的搜索区域，协方差阵与标记目标时所需的长短半轴的计算步骤与第二步相同，重复执行第三步至第五步直到跟踪标记任务结束。本发明的有益效果是通过在调整机制中引入目标尺度的上下文信息，在考量表观信息的基础上，以尺度上下文信息的变化对调整类型进行细致分类，从而提高了原算法对目标尺度在目标面积数值与有效覆盖面积上的调整准确度，能有效提高原SOAMS算法对目标尺度的调整准确度。附图说明图1为本发明所使用的SOAMS算法流程框图。图2为本发明图像目标尺度调整方法流程图。图3为本发明实施例结果示例图。图4为本发明所述的新调节机制与原SOAMS调整函数的面积调整率误差性能对比图，图4(a)、图4(b)和图4(c)分别为本发明所述的新调节机制与原调整函数对测试序列的面积调整率误差性能曲线。图5为本发明所述的新调节机制与原SOAMS调整函数的覆盖率性能对比图，图5(a)、图5(b)和图5(c)分别为本发明所述的调节机制与原调整函数对测试序列的覆盖率性能曲线。具体实施方式下面结合附图和实施例对本发明进一步说明。本发明将传统的基于表观信息的调整方法与目标尺度的上下文信息进行结合，得到基于表观信息与历史尺度信息的调整方法，更有利于目标尺度的调整。在对调整结果进行评价时，本发明选取了两种评价指标。1.面积率误差(arearateserror)以标记面积与真值面积的比值评价校正函数对目标标记窗体大小的调节能力，公式记为：arearateerror=strackingsgroundtruth-1---(19)]]>式中：Stracking——算法在修正步骤后得到的区域面积；Sgroundtruth——目标的真实面积大小。2.覆盖率(overlaprate)以标记区域与真实区域的交叠面积与真实面积的比率来评价标记区域的有效性，计算公式记为：overlaprate=stracking∩sgroundthsgroundth---(20)]]>如下为基于表观信息与上下文信息的尺度调整机制在学习型调整函数下的实施例：本发明实验例所用的测试序列部分取自PaFiSS数据库，测试序列中的目标具有明显的尺度、方向的变化。测试序列的库内编号为序列1、序列2、序列4，图像大小均为720×576，序列1共含图像196帧，序列2共含图像186帧，序列4共含图像172帧。针对该数据做尺度自适应跟踪，具体步骤如下：第一步：在视频序列初始帧中确定目标并计算目标模型目标模型由以目标中心为原点的像素集合{xi}i＝1,2,...N,组成，N表示目标区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标可建模为：q={qfe}fe=1,2,...,Mqfe=CΣi=1Nk(||xih||2)δ[b(xi)-fe]---(3)]]>式中：q——目标模型；qfe——第fe个特征在目标模型上的概率；M——特征空间分量数δ——选择函数；b(xi)——对应像素处颜色特征值；k(x)——加权核函数，为距中心远的像素分配较小的权值；||xi||2——计算像素模值，表征像素距中心的远近；C——归一化系数，计算式如下C=1Σi=1Nk(||xih||2);---(4)]]>h——核函数窗宽，表征跟踪窗体的大小；第二步：计算目标区域的矩统计特征与方差阵，确定搜索区域,在搜索区域内确定搜索区域模型p(X)，确定方法如下：图像的矩统计特征是对图像形状、尺度的有效描述，因此在本发明中使用了矩统计特征对图像中包含的目标的尺度进行描述，对于图像像素值为f(x,y)的区域，该区域的(p+q)阶矩特征定义为Mpq＝∫∫xp*yq*f(x,y)dxdy,p,q＝0,1,...∞(5)根据矩特征定义，将目标区域的中心坐标与像素点集合的坐标代入式(5)即可求得目标区域的二阶矩μ02、μ11、μ20，并构造协方差阵此时的协方差阵已是对目标区域的描述，为了更为直观地体现目标的尺度特征，需要对协方差阵进行奇异值分解得到其特征值：Cov=U*S*UT=u11u12u21u22*λ1200λ22*u11u12u21u22T---(6)]]>式中：λ1,λ2——目标区域矩特征的特征值；U——特征分解得到的特征向量构成的矩阵；UT——矩阵U的转置矩阵；S——对Cov阵进行分解后得到的中间转化矩阵(u11,u21)T，(u12,u22)T——分别为矩特征的特征值λ1,λ2的特征向量；根据图像的矩特征性质，此时由式(6)得到的矩阵S以椭圆形表征了目标的尺度信息，SOAMS算法以椭圆中心为原点，重新构建以椭圆长短半轴为坐标轴的坐标系，即本原坐标系，求得当前椭圆的长短半轴的尺度为a,b,由于a,b与λ1,λ2都表征了目标的长短半轴，则必有λ1/λ2≈a/b，设a＝k*λ1,b＝k*λ2其中k为尺度因子，根据目标区域面积A及椭圆面积公式S＝π*a*b有A＝π*a*b＝π*(k*λ1)*(k*λ2),两式联立可求出k为k=A/(π*λ1*λ2)---(7)]]>此时求出a,b，则有Cov阵转化为本原坐标系下的形式：Cov1=U*a200b2*UT---(8)]]>由式(8)得到的新构造的协方差阵Cov1可使用递增增量Δd确定目标在下一帧中的搜索区域为如式(9)，由递增增量与Cov1可以确定表征下一帧中目标搜索区域的尺度的协方差阵Cov2。此处的递增增量可由设计者根据算法使用的场景、目标的运动速度自行定义，运行速度越快，选取的增量应具有更大的模值，在本发明中所使用的增量模值为5个像素：Cov2=U*(a+Δd)200(b+Δd)2*UT---(9)]]>式中：Δd——递增增量，用以控制搜索区域的大小变化；a——目标区域长半轴；b——目标区域短半轴；由式(8)得到新构造的协方差阵后可使用自定义的递增增量Δd由式(9)确定目标在下一帧中的搜索区域的尺度，并由式(10)计算得到该搜索区域内各点坐标集合。此时满足下式的像素点集合X则为下一帧中的搜索区域坐标(X-Xo)*Cov2-1*(X-Xo)T≤1---(10)]]>目标搜索区域由目标搜索区域内的像素集合X＝{xi}i＝1,2,...N',组成，其中心记为Xo'，N'表示目标搜索区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标搜索区域可建模为：p(X)={pfe}fe=1,2,...,N′pfe(X)=ChΣi=1N′k(||xi′-Xo′h||2)δ[b(xi′)-fe]---(11)]]>式中：p(X)——目标搜索区域模型；pfe(X)——第fe个特征在目标模型上的概率；b(xi')——对应像素处颜色特征值；Ch——归一化系数，计算式如下：Ch=1Σi=1N′k(||xi′-Xo′h||2);---(12)]]>第三步：如图1所示SOAMS算法流程框图，由均值漂移算法在搜索区域内求得候选区域，计算候选区域特征在由第一步、第二步得到目标模型q与搜索区域模型pfe(X)后，由均值漂移算法，计算如式(13)均值漂移向量Xo，在一次搜索任务中每一次迭代搜索过程结束后Xo的值将赋给迭代起始点X'o进行下一次迭代搜索，搜索任务结束后Xo值为得到的最优搜索区域的质心坐标，此时最优搜索区域即为目标候选区域，式(13)所示的均值漂移向量通过计算目标候选区域内像素点x'i与迭代起始点X'o的加权距离与搜索区域的零阶矩之比得到，其中权值wi为候选区域内第i个像素对应的特征隶属于目标模型的概率，候选区域内第i个像素所对应的特征由特征计算函数b(xi)确定；Xo=Σi=1N′xiwig(||Xo′-xi′h||2)Σi=1N′wig(||Xo-xi′h||2)---(13)]]>wi=Σfe=1N′qfepfe(X)δ[b(xi)-fe]---(14)]]>式中：X'o——迭代起始点x'i——搜索区域内像素点wi——搜索区域内各像素点对应的权值g(x)——加权核函数，为距中心远的像素分配较小的权值；第四步：执行图2所示本发明的目标尺度调整方法流程图中的面积校正环节，由目标候选区域特征得到的巴氏系数与目标候选区域面积N，调用本发明所提出的基于表观信息与上下文信息的尺度调整机制，对目标候选区域的面积进行调整，进行调整的操作为：首先由前一时刻确定的目标面积及目标的运动规律确定当前的估计面积M；根据当前目标候选区域的尺度N与目标当前估计尺度M，判定当前调整类型；若当前尺度优先度最高，则使用分段型函数，通过计算N/M的数值确定使用何式计算，并代入巴氏系数与N、M变量进行计算，反之，则使用学习型函数，通过计算N/M的数值确定使用何式计算基础输出ref，并根据ref的输出与N/M的数值判定是否需要进行截断或附加增益；若确需附加增益则对增益进行确定；本发明的基于表观信息与上下文信息的尺度调整机制包括如下步骤：4.1、基于上下文信息的调整类型的确定假设当前目标候选区域的巴氏系数为Bi，前一帧中目标区域的巴氏系数为Bi-1，当前目标候选区域面积为N，根据前一帧中目标尺度，经由仿射变换得到当前目标面积的估计值M；调整类型的确定由N与M的大小关系进行确定，若N≥M，表示目标候选区域面积N大于等于当前目标面积的估计值M，需要在目标候选区域内选取目标的表观特征，用表观特征建立特征分布直方图，计算表观特征相似度对目标候选区域面积N进行缩小操作以符合目标的真实尺度；反之，若N<M，则表示目标候选区域的面积N小于当前目标面积的估计值M，则需要在目标候选区域内选取目标的表观特征，用表观特征建立特征分布直方图，来计算表观特征相似度对目标候选区域面积N进行放大操作以符合目标的真实尺度；4.2、基于表观信息与上下文信息的尺度计算若存在镜头漂移造成目标位置变动过大导致相邻视频帧中的目标位置互不交叠且跟踪任务中以最大化覆盖面积优先时，使用学习型函数；若镜头位置固定且以跟踪任务以最小化面积调整误差优先时，使用分段指数函数；调整函数类型确定后，调用对应的调整函数依据当前候选区域的巴氏系数进行计算；4.2.1使用学习型函数时，若调整类型根据步骤4.1确定为缩小操作，则根据当前目标候选区域的巴氏系数Bi计算尺度；若调整类型根据步骤一确定为放大操作，则根据当前目标候选区域的巴氏系数Bi与前一帧中目标区域的巴氏系数Bi-1进行计算，目标尺度进行缩小和放大调整的步骤如下：(1)调用基础调整函数，确定基础输出作为输出参考值，根据N与M的比值由式(15)计算输出参考值ref；(2)调用式(16)对输出参考值ref进行判定：若N/M≥1.1且ref<1，则调整系数c的值为此时ref的值；若N/M≥1.1且ref>1，则对ref的数值进行截断，本发明使用的截断值为0.6，即此时的调整系数c为0.6；若N/M＜1.1，则调用式(17)的增益放大函数对ref进行放大，此时由巴氏系数之比(Bi/Bi-1)确定当前的增益大小对ref的放大系数k；ref=1.1,N/M<=1.1Max(0.8,9.5*temp),elsetemp=p1*Bi2+p2*Bi+p3Bi2+q1*Bi+q2p1=2272,p2=-3346,p3=1249,q1=-3300,q2=3298---(15)]]>c=0.6,ref>1andN/M>=1.1ref,ref<1andN/M>=1.1k*ref,else---(16)]]>k=3.3,Bi/Bi-1>=1.22.8,else---(17)]]>其中，temp为临时拟合函数，p1、p2、p3、q1和q2分别为学习函数拟合系数，Bi为第i帧中的巴氏系数，Bi-1为第i-1帧中的巴氏系数，k为增益系数，ref为基础输出；(3)得到校正系数c后可计算得到修正面积A＝c*N；4.2.2使用分段指数函数时：(1)依据当前调整类型，调用式(18)所示的分段指数型调整函数，确定调整系数c：c=Bi^(N/(1.1*M)),N≥Mmin(Bi^(NM-1),1.1),N<M---(18)]]>式中Bi为第i帧中的巴氏系数；(2)由步骤4.2.2的步骤(1)得到的校正系数c，可计算得到修正面积A＝c*N；第五步：计算当前协方差阵，标记目标，确定下一帧中目标的搜索区域，协方差阵与标记目标时所需的长短半轴的计算步骤与第二步相同，重复执行第三步至第五步直到跟踪标记任务结束。上述实施例得到的结果示例如图3，图4为本发明所述的调节机制与原SOAMS调整函数的面积调整率误差性能对比图，图4(a)、图4(b)和图4(c)分别为本发明所述的调节机制调整机制与原SOAMS调整函数对测试序列的面积调整率误差性能曲线图。图5为本发明所述的调节机制与原SOAMS调整函数对测试序列的覆盖率性能曲线图，图5(a)、图5(b)和图5(c)分别为本发明所述调整机制与原SOAMS调整函数对测试序列的面积调整率误差性能曲线图。表1调整率误差性能波动指标SOAMS学习型函数分段指数函数序列10.62901.19450.1099序列20.10710.18490.0409序列40.29230.08020.0595表2覆盖率性能波动指标SOAMS学习型函数分段指数函数序列10.21950.05550.2040序列30.10750.05640.0721序列40.25110.03540.0597表1与表2是本发明所提出的调整方法所包括的两种调整函数与原调整方法在PaFiSS数据集上的独立性能波动指标，其中波动指性能数据相对于参考值的方差，表1的参考值为0，表2的参考值为1，其中粗体表示最优的指标值，可以看出，本发明所提出的调整方法相较于原算法能够得到更可信并更接近真实值的调整结果。当前第1页1 2 3