[0044] gwak作为第二级弱分类器的分类值其计算公式为：
[0045] gweak = parp ? si即（Wd_t虹P) (11)
[0046] 其中，第二级分类阔值thrp和分类器符号parp是由正负样本特征值均值Ppmean, HpmeanTE. 〇
[0047] 与传统方法相比，本发明使用多个滤波器对图像块提取特征，更为精细地表达出 图像块的特征，解决了使用类化ar特征构造模板单一，丢失图像色彩和纹理细节的问题;另 夕h所提出的跟踪方法使用两层级联的结构，对滤波器类型和图像块位置分别进行选择，使 所选择的特征更加适用于跟踪任务。在目标跟踪的精准性上有了很大提升。
【附图说明】
[004引图1为本发明流程图；
[0049] 图2为本发明在图像中选择正负样本划分示意图，实线框为选取的正样本，虚线框 为选取的四个负样本；
[0050] 图3为本发明分类器特征选择与权重训练过程的流程图；
[0051 ]图4为本发明目标检测过程的流程图；
[0052] 图5为本发明目标检测过程中候选目标选择的示意图；左图为第一级粗捜索，右图 为第二级精细捜索;其中，图中实线框为得到的最佳目标候选位置，虚线框表示滑动窗中的 其他位置。
【具体实施方式】
[0053] 下面将结合附图和【具体实施方式】，对本发明的技术方案进行清楚、完整地描述。
[0054] 参阅图1，本发明其实现过程包括W下步骤:一是图像的预处理过程，获取目标样 本与目标区域中的图像块;二是通过滤波器提取特征，得到正负样本的特征池;=是包含在 线特征选择和权重训练的两层Boosting级联算法；四是通过分类器检测的目标跟踪。具体 过程：
[0化日]1、视频跟踪的预处理
[0056]在图像序列的第一帖中，首先标出跟踪的目标区域。在目标区域中随机产生出若 干大小和相对位置的图像块。使用Alex化t深度神经网络中第一层中卷积层的卷积核组作 为基滤波器库(Fb),并对Fb做归一化处理。缩放Fb,使得它中的每个滤波器与目标区域中的 图像块宽高大小一致，缩放结果作为滤波器库(F= {fI，f2，…，fN}，N=96);具体：
[0057] 步骤1.1:处理第一帖图像，如该图像为=通道彩图，保留=个通道;如是单通道灰 度图像，将运一通道复制，填充另两个通道。在第一帖中标出跟踪的目标区域。
[0058] 步骤1.2:指定矩形目标中的图像块为M个。图像块使用随机选择的方式(大小和相 对位置都随机）。得到图像块的相对位置X、Y、宽W和高H，分别放在px、py、pw和Ph四个数组 里。
[0059] 步骤1.3:使用基滤波器库Fb,该库是由Alex化t深度神经网络中第一层中卷积层 的卷积核组成，它是通过大量图片数据训练而来，包含了 N(96)个各异的滤波器模板，模板 大小为11 X 11。运一组卷积核作为视频跟踪算法的基滤波器库(Fb)。
[0060] 步骤1.4:对Fb做归零化处理。归零化按下面的公式进行：
[0061]
灯)
[00创其中，sum是对滤波器模板求和，ones山XII}是值全为1的长宽为11 X 11的模板。对F 中每一个。的各元素都减去均值，得到新的滤波器模板f:。。,。向零化后滤波器faw,各元素 之和为0。
[0063] 步骤1.5:对滤波器库F中的f进行宽高尺寸调整。根据每个图像块的宽高，改变与 之对应滤波器组的宽高。使得基滤波器库中的每个滤波器与得到的图像块宽高大小一致， 缩放结果作为滤波器库(F = {f 1，f2，…，fn})。
[0064] 2、正负样本的特征值提取
[0065] 步骤2.1:参阅图2所示，获取参与训练的正负样本。W目标区域作为正样本，临近 的周围四个位置作为负样本。样本个数分别为Np=I和Nn = 4。
[0066] 步骤2.2:计算训练样本的特征值。在正负样本中同样的相对位置取出图像块P&， 与F中的。分别逐元素相乘并求和得到的特征值hs，作为训练的输入特征。对于图像块Pa.， F中共有有N个滤波器，特征提取由公式：
[0067]
(2)
[0068] \,是由正负样本中第i个图像块与第j个滤波器相乘得到的特征值。最终得到的 正负样本特征维度都是MX N。
[0069] 3、参阅图3,特征选择和权重训练的两层Boosting级联算法
[0070] 3.1第一级Boosting训练过程，包含W下内容：
[0071 ]步骤3.1.1:初始化弱分类器。每一个图像块对应一个滤波器库F，因此一个图像块 需初始化N组弱分类器。弱分类器的参数包括正负样本均值Pfmean和nfmean、方差Pfsigma和 nfsigma、训练样本的权重impodancefW及统计正误的累加值U/。和，他们的取值分别是 Pfmean = O, Hfmean = O, Pfsigma=I ,Hfsigma=I，imp〇rtancef=l，M/c =1 和W/, =1 O
[0072]步骤3.1.2:输入正负样本的特征值hs。当为正样本特征为hs值时，更新弱分类器
妻中k是更新系数。同理为负样本时更新弱分类器nfmean = kX n f m e a n 。方差的更新公式为
>同时求出弱分类器的阔 值th打：th打=(Pfmean+nfmean)/2 , 及分类器 f守亏P曰打:P曰打=si邑n(Pfmean-nfmean)。
[0073] 步骤3.1.3:使用上述弱分类器来判别训练样本，计算该判别是否正确。indie存放 样本的指示标识，如果弱分类器判断正确，indic =+l;否则Indic = -I。样本输入时判别公 式：indie = pan ? sign化s-thn)。由此每一个样本都会得到一个标识，它指示弱分类判断 是否正确。
[0074] 步骤3.1.4:当indic =+l，即弱分类器判断正确时，该弱分类器的样本分类正确数 '"克加上权重importancef; Indic = -I，即判断错误，当前弱分类器的样本分类错误数"左加 上importancef。训练样本输入时，每个弱分类器都会对训练样本反复判断，％和不断累 加。
[0075] 步骤3.1.5:计算当前弱分类器的错误率。根据公式：
[0076]
倒'
[0077] 每个图像块有N个滤波器，e,, 化2,…，AO。将E/排序，选择6/,较小的值即分类 效果较好的几个弱分类器并记录该弱分类器的序号。
[0078] 求出第一级弱分类器的置信值a,根据公式：
[0079]
(4)
[0080] 步骤3. 1 .6:更新参数importancef。弱分类器判断错误时，根据公式 相应样本的 参减小。
[0081 ] 3.2在第一级Boosting训练基础上提取新特征。
[0082] 步骤3.2.1:使用第一级弱分类器的置信值a与正负样本特征值hs的加权结果W作 为特征值输入第二级。由于在目标区域中随机出了M个图像块，每个图像块都对应滤波器库 F，第二级特征值Wi的计算公式为：
[0083]
[0084] 其中，Wi由第一级QiJ与hs加权的结果;M是图像块的个数，N是滤波器的个数;n是第 一级Boosting训练出来错误率ef较小的弱分类器的个数。最终得到的正负样本特征W维度 都是M。
[0085] 3.3第二级Boosting算法，弱分类器参数和权重的训练的步骤如下：
[0086] 步骤3.3.1:初始化弱分类器。目标区域有M个图像块，因此初始化M组弱分类器。弱 分类器的参数包括正负样本均值Ppmean和npmean、方差Ppsigma和npsigma、训练样本的权重 importanCepW及统计正误的累加值"扣和"A.，他们的取值分别是Ppmean = O, Ilpmean=O,化sigma =I ,Hpsigma = I，importancGp = I，"扣.二1 和灼巧=I。
[0087] 步骤3.3.2:输入正负样本的特征伽。当为正样本齡I为W值时，更新弱分类撒恤"=4乂胖+(1_ k ) X Ppmean，其中k是更新系数。同理为负样本时更新弱分类器Hpmean = k X W+( 1-k ) X Hpmean。方 差的更新公式为
司时求 出弱分类器的阔值thrp : thrp - ( Ppmean+Upmean) / 2 , W及分类器?f守亏口日町：parp - S i即（口。11163。- Hpmean)〇
[0088] 步骤3.3.3:使用上述弱分类器来