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和矩形的宽和高衣示按照矩形框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)。
[0074] d)初始化跟踪目标在图像中的运动速度为V〇= (0,0)(在图像二维平面运动速度 为〇);
[0075] e)初始化跟踪目标在当前帧的匹配度S = l;
[0076] f)跳到步骤(3)f)。
[0077] 步骤(3)、可变尺度跟踪过程：
[0078] a)根据视频上一帧目标位置rt，在当前帧对应位置周围进行采样，得到目标候选 矩形框R= {η,κ，···^}，采样矩形框的大小根据当前采样位置以及初始位置矩形框Π )进行 以及在预处理阶段得到的参数ao、m、&2进行转换计算；
[0079] b)如图4所示，对于每一个采样框，将其缩放到模板框大小，计算Nh个Haar-1 ike特 征值;利用朴素贝叶斯分类器对每一个Haar-like特征值根据其对应的正态分布计算分类 并求和：
[0080]
[0081] 其中，Fi表示所有的Haar-like特征值，k表示不同颜色通道，Hjas：!%表示符合 Gaussian分布的随机矩阵，pf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 = 〇表示当前采样框不是跟踪目标，y= 1表示采样框是跟踪目 标，p(c I y = 0)表示特征值c不是跟踪目标的概率分布，p(c I y = 1)表示特征值c是跟踪目标 的概率分布，假设每个Haar-like特征值的是服从正态分布的，即：
[0082]
[0083] 为了能够协调Haar-like特征值匹配的过高或过低，将得到的分类和利用sigmoid 函数归一化得到局部特征的相似度：
[0084]
[0085]其中，β?为常数，一般取Nh的一半，e为自然常数。
[0086] c)对于每一个采样框，计算其基于正态分布权重的颜色直方图出与当前跟踪目标 的颜色直方图H。，采用Bhattacharrya系数公式作为直方图距离计算相似度。
[0087]
[0088]其中，HoUWmKu)分别表示跟踪目标和当前采样框的颜色直方图中的属于第u个 颜色区间的像素个数占所有像素个数的比例，Nb为颜色直方图颜色区间个数。
[0089] 同样的，利用sigmoid函数将颜色直方图归一化得到全局特征的相似度：
[0090]
[0091]其中，仇为常数，一般取6。
[0092] d)根据每一个采样框的位置，计算其相对于上一帧的运动速度，与当前跟踪目标 运动速度V。进行距离和角度比较，对空间运动关系进行约束，因为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。
[0093]
[0094] 其中，V。表示当前跟踪目标的速度向量，Vi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。
[0095]最后，利用s igmoid函数归一化得到空间位置的相似度：
[0096]
[0097]其中，βΡ为常数，一般取6。
[0098] 图5展示了不同α值对于SpJVc^Vi)的影响。
[0099] e)根据每一个候选目标的采样框^的局部特征相似度、全局特征相似度以及空间 位置相似度得到最终的相似度，计算公式如下：
[0100] Si = WlSHaar (Fi ) +W2SaPP (Ho , Hi ) +W3Spos ( Vo , Vi )
[0101] 其中，SHaar(Fi)表示根据Haar-like特征计算的相似度，Fi表示第i个采样框的 Haar-like特征值，SaWH。，^表示当前采样框与模型中的颜色直方图匹配程度，Η。表示当 前跟踪目标的颜色直方图，Hi表示第i个采样框基于正态分布权重的颜色直方图，S PC1S(V。， 表示对采样框的位置的匹配程度，V。表示当前跟踪目标的速度向量，￥1表示从上一帧目 标矩形框中心位置指向第i个采样框中心位置的向量，W1、W2、W3为参数，且W1+W2+W3 = 1。
[0102] 最后取相似度最大的采样框作为当前帧的跟踪目标的位置：
[0103]
[0104] 当存在全少一个米样框与当前跟踪目标的相似度S超过阈值Ts时，认为相似度最 大的那个采样框rt为最精确的跟踪目标位置;否则认为目标跟踪丢失，跳到步骤(4);
[0105] f)对于正态分布模型的更新，主要对正态分布中位置参数μ和尺度参数σ进行更 新。首先根据当前视频帧求得到的跟踪目标的位置，在其周围临近的小范围区域生成正样 本框，通过将正样本框缩放到模板框大小计算所有正样本框的Haar-1 ike特征值的分布，对 于每一个特征值，计算所有采样框的平均分布作为当前视频帧的Haar-1 ike特征值作为正 样本的概率分布，并用得到的分布对跟踪模型正样本的概率分布进行更新；同时，在距离跟 踪目标的位置一定距离范围的区域生成负样本框，通过将负样本框缩放到模板框大小计算 所有负样本框的Haar-1 ike特征值的分布，对于每一个特征值，计算所有采样框的平均分布 作为当前视频帧的Haar-like特征值作为负样本的概率分布，并用得到的分布对跟踪模型 负样本的概率分布进行更新，如图6所示。
[0106]
[0107]
[0108]
[0109]
[0110]其中，μ' i表示根据采样框的Haar-like特征值的第个特征值的正态分布的中心位 置，表示第k个采样框的第i个特征值，σ',表示第i个特征值的正态分布的标准差，Ns表示 采样框的个数，Pi和分别表示跟踪目标的Haar-like特征值的第i个特征值的正态分布的 中心位置和标准差，St表示当前视频帧采样框的最高的相似度。
[0111] 对于外观颜色直方图信息来说，对于跟踪目标运动速度的更新，同样需要更新，
[0112] Ho = (l-St)H〇+StHt
[0113] V〇=(l-St)V〇+StVt
[0114] 针对模型更新程度的更新率，采用的是动态的更新率，将当前帧所有采样框中相 似度最高的采样框的相似度作为更新率，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。
[0115] g)获取视频下一帧作为当前视频帧，跳到步骤(3)a)，若无法获取视频下一帧，则 跳到步骤(4)。
[0116]步骤(4)、目标跟踪结束。
【主权项】
1. 一种支持目标尺寸变化的实时对象跟踪方法，其特征在于，包括以下步骤： 步骤（1 )、目标跟踪预处理阶段：