[0032]
[0033] 其中，Fi表示所有的Haar-like特征值，k表示不同颜色通道，時:表示在k颜色通道 的第i个采样框的Nh个Haar-1 ike特征值，y表示对当前采样框的分类，y = 0表示当前采样框 不是跟踪目标，y = l表示采样框是跟踪目标，P(c|y = 〇)表示特征值c作为负样本的概率分 布，p(c | y = 1)表示特征值c作为正样本的概率分布函数。
[0034] 然后考虑了全局的颜色直方图特征，对于跟踪框内的不同位置的像素给予不同的 权重，认为越靠近跟踪框的中心的像素，其更可能属于跟踪目标，故其权重越高，位于跟踪 框边缘的像素，其属于跟踪目标的可能性比较低，故为其分配较低的权重。根据这样的特 点，采用二维的正态分布为矩形跟踪框的每个像素分配权重。
[0035]
[0036]
[0037] 其中，H(x)表示第X个颜色区间Bin(x)的像素个数，r表示矩形框，rcu、rcv、r4Pn^ v 别表示矩形框的中心位置坐标和以及矩形的宽和高，》示按照矩形框r基于正态 分布生成的权重，It表示当前视频帧图像，表示处于图像(u，v)处的像素值;h x(p)表 示像素P是否属于第X个颜色区间Bin(x)。
[0038]最后，对候选目标采样框的位置进行了约束，对于运动目标的位置来说，在连续视 频帧中，运动目标的位置的变化具有连续性，并且变化较为平滑，不会发生突然的跳变，这 对于运动目标的跟踪来说，是一个非常有用的约束条件。
[0039]
[0040] 其中，V。表示当前跟踪目标的速度向量，V表示从上一帧目标矩形框中心位置指向 当前矩形框中心位置的向量，可看作是当前移动速度（以一帧时间为单位），arccos(V。· V) 为向量V。和向量V之间通过点积计算夹角，s为候选目标采样框的范围大小的一半，π为圆周 率常数，α为权重常数，取0.5。
[0041] 采用动态更新跟踪目标数据的方式对跟踪模型进行更新。将当前帧所有候选目标 采样框中相似度最高的采样框的相似度作为学习率，这样在动态的视频帧序列中，跟踪目 标的变化会因较高的学习率而快速更新到模型中，同时对于受到干扰的跟踪目标，如被其 他目标或场景中物体遮挡造成相似度较低的情况下，由于学习率较低，所以会更多地保留 原来的数据，使得模型更加鲁棒。
[0042] 本发明的原理在于：
[0043]首先通过相机成像原理以及一些标定数据，对于物体在视频中成像大小建立了模 型，可以通过当前目标位置及初始位置和大小准确地获取当前跟踪目标大小，有效提高跟 踪效果的准确度和精度。并且，本方法联合了局部Haar-like特征、全局颜色直方图信息以 及空间位置约束，使得目标的表示模型更加鲁棒，同时计算复杂度低，能够保持实时性;其 次，对于模型的更新采用了动态更新的机制，对于匹配度低的情况，更新率较低，抑制了噪 音的引入，更好的对目标进行跟踪。
[0044] 与现有技术相比，本发明可变尺度的实时目标跟踪方法还具有以下有益效果：
[0045] (1)本发明采用的可变尺度缩放的原理可以非常容易的应用于其他基于滑动窗口 采样的跟踪方法，具有普适性。
[0046] (2)本发明通过动态的基于匹配度的更新方式，这样在动态的视频帧序列中，跟踪 目标的变化会因较高的更新率而快速更新到模型中，同时对于受到干扰的跟踪目标，如被 其他目标或场景中物体遮挡造成相似度较低的情况下，由于更新率较低，所以会更多地保 留原来的数据，使得模型更加鲁棒。
【附图说明】
[0047] 图1为本发明的一种支持目标尺寸变化的实时对象跟踪流程图示意图；
[0048]图2为本发明的物体成像大小原理示意图；
[0049]图3为本发明的目标大小转换示例图；
[0050]图4为本发明的Haar-like特征计算流程示意图；
[0051]图5为本发明的空间位置约束相似度在不同参数下比较示意图；
[0052]图6为本发明的更新阶段采样框示意图，图6(a)为正样本框的示意图，图6(b)为负 样本框的。
【具体实施方式】
[0053]下面结合附图和实施例对本发明具体步骤进行详细描述。
[0054]本发明提出了一种支持目标尺寸变化的实时对象跟踪方法，首先结合图1 一种支 持目标尺寸变化的实时对象跟踪流程图示意图，详细介绍本发明的跟踪处理过程。
[0055] 步骤(1)、目标跟踪预处理阶段：
[0056 ] a)首先对运动物体在视频帧序列中的成像的矩形框大小计算公式参数进行求解； [0057]如图2所示，对于地平面上沿相机坐标系z轴的直线上的3个点来说，其在 图像中的投影位置仍位于同一直线上，并且图像中投影点和地平面上沿深度方 向直线的消失点在图像中成像位置和连线在该直线上的投影长度与原始点的位置距离相 机的距离成反比关系。所以在相机成像的图像中，假设地平面上沿深度方向直线的消失点 在图像中位置为Pv，物体与地面接触点在图像中成像位置为P，则必定存在一条直线，使得 物体在图像中的大小，与Pv和P连线在该直线上的投影长度成线性的正比例关系(假设物体 与地平面接触并且物体各个部分的位置处于同一深度）。又因为点在直线上投影是线性变 换关系，所以对于固定场景下的静态相机而言，存在常数Μ、 &1、&2使得同一目标在相机中成 像大小有如下关系：
[0058]
[0059] 其中，size(u，v)表示目标处于图像中坐标(u，v)处在图像中成像的大小，size (uo，νο)表示目标处于图像中坐标(uo，νο)处在图像中成像的大小。
[0060] 根据公式，可以利用预先在该视频序列中标定一些物体的位置及大小，通过利用 最小二乘法对参数ao、ai、a2进行直线拟合求解。
[0061]
[0062] 其中，矩阵AnX3和向量bnX1为通过标定一些物体的位置及大小的数据，AnX3+表示矩 阵的广义逆。
[0063] 图3展示了根据上述公式得到参数&〇、&1、&2以及根据初始跟踪位置（白色实线矩形 框)对目标可能处于的位置进行计算转换得到的矩形框（白色虚线矩形框)的一个例子。 [00 64] b)设定模板矩形框rs的大小s;
[0065] c)根据模板框rs大小在模板框内随机生成Nh(Nh为常数，一般取模板框的长度或者 高度)个不同位置不同大小的Haar-1 ike特征；
[0066] 步骤(2)、可变尺度跟踪模型的初始化：
[0067] a)获取需要跟踪目标的视频序列帧It及目标初始位置矩形框ro;
[0068] b)为每个Haar-1 ike特征的特征值的概率分布进行初始化，对于每一个特征值作 为正样本和负样本均初始化为以特征值为中心位置的正态分布；
[0069] c)计算目标矩形框ro颜色直方图H。作为全局特征；
[0070] 对于跟踪框内的不同位置的像素给予不同的权重，认为越靠近跟踪框的中心的像 素，其更可能属于跟踪目标，故其权重越高，位于跟踪框边缘的像素，其属于跟踪目标的可 能性比较低，故为其分配较低的权重。根据这样的特点，采用二维的正态分布为矩形跟踪框 的每个像素分配权重。则基于正态分布权重的颜色直方图计算公式如下所示：
[0071]
[0072]
[0073] 其中，H(x)表示第