CN106846363A - 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法 - Google Patents

Abstract

本发明公开了一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。本发明通过增加互补的随机测量矩阵改进压缩特征，保证提取特征的灰度性和纹理性概率相同，从而提高跟踪结果的准确率。

Description

一种改进稀疏矩阵的尺度自适应性压缩跟踪方法

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，

背景技术

尽管视频跟踪领域已经存在很多文献，成功建立了许多有效的目标跟踪算法，但在实际应用中仍然面临很多困难，例如目标的部分或全部遮挡、环境中的光照变化、目标外观的改变、目标运动的复杂性，以及背景中的噪声干扰等因素。因此如何建立一个有效的模型使得目标跟踪能够快速、准确且长时间稳定是近年来的热点问题。目前把压缩感知应用到目标跟踪领域是一个重要的研究方向。2009年，Robust Visual Tracking usingL1Minimization跟踪算法，首次将压缩感知理论引入到目标跟踪领域中。之后的算法，本质上都是在粒子滤波的框架下对粒子进行稀疏表示，之后再对信号进行重建，计算量很大。这些跟踪算法只是在采样的过程中由传统的Nquist采样定理改进为稀疏变换的低速采样过程，但是在之后对信号进行重建时，计算复杂度很高，并且信号重建问题至今是CS方向的难点问题，所以在工程实现上，这些跟踪算法的实时性并不好。12年，Kaihua Zhang提出了实时性压缩感知目标跟踪。采用二元分类法，将目标样本和背景样本的特征直接通过稀疏矩阵来观测，观测后的稀疏特征不用来信号重建，而直接通过贝叶斯分类器来进行分类，从而确定目标。通过把压缩感知和目标提取结合在一起，有效减小了算法的复杂度，提高了跟踪速度，同时实验结果很鲁棒。

尽管压缩感知算法的效果很鲁棒，它依然存在以下几方面的不足。首先，在跟踪过程中，压缩感知算法始终保持跟踪尺度固定不变，无法随目标尺度自适应变化，则若跟踪过程中若目标尺寸发生剧烈变化，容易导致跟踪失败。其次，压缩跟踪算法中的随机测量矩阵是随机生成的，继而提取到的低维特征是随机的，很难保证提取特征的有效性，从而影响跟踪结果的准确率。

发明内容

本发明的目的在于提供一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，旨在解决在跟踪过程中压缩感知算法存在容易导致跟踪失败，很难保证提取特征的有效性，影响跟踪结果的准确率的问题。

本发明是这样实现的，一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。

进一步，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法包括：

在第t帧图像更新分类器阶段：

(1)初始化参数，确认第t帧图像的目标矩形框位置X_t(x,y,w,h)，其中x，y分别为目标矩形框左上角在该帧内的行、列坐标，w，h分别为目标矩形框的宽和高；

(2)以目标位置中心为基准，采集宽、高和目标尺寸一致的正、负样本；

(3)将采集到的正、负样本和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；

(4)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维压缩特征向量V；

(5)通过构建与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维压缩特征向量V₂。V₂中表示原图像的纹理特征和灰度特征和V中表示的原图像的纹理特征和灰度特征形成概率上的互补；

(6)将V和V₂分别送入贝叶斯分类器中对其进行训练，更新分类器参数；

(7)在第t帧图像确定的目标位置X_t周围采集模板，采集宽、高和目标尺寸一致；

(8)将采集到的模板和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；

(9)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维特征向量V；

(10)通过与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维特征向量V₂；

(11)将随机测量矩阵V和V₂分别送入第t帧训练好的贝叶斯分类器中检测，得到模板的匹配值，匹配值最大的模板确定为该帧的初始跟踪目标，标记其位置X'_t+1；

(12)在X'_t+1附近选择多种尺寸的模板，压缩提取其特征，计算模板相应的匹配值，得到当前帧最终的最优匹配图像，其位置标记为X_t+1；

(13)若t+1不是最后一帧，则令t＝t+1，返回第t帧更新分类器阶段，继续检测。

进一步，所述随机测量矩阵R₂为：

其中c表示R矩阵中每行非零元素的个数。

进一步，在初始目标位置X′_t+1周围采集模板，确定最终跟踪目标的步骤如下：

(1)在第t+1帧的初始目标位置X′_t+1＝(x′_t+1,y′_t+1,w′_t+1,h′_t+1)附近，通过对目标矩形框进行各种尺度缩放、平移变换，产生一序列扫描窗口；窗口的尺度缩放系数s为1.2，最小扫描窗口大小为40个像素；窗口的尺度变化等级为其中，c_i表示尺度缩放的等级，与图像大小(W，H)和初始跟踪窗大小(w′_t+1,h′_t+1)有关；跟踪窗个数的选择公式如下：

(3)将模板提取为具有尺度不变性的原始高维图像特征；

(3)依据样本图像尺度，对初始随机测量矩阵R和R₂的非零元进行调整，得到尺度S_i下的随机测量矩阵R_S和R_2s；

保持R和R₂中的所有非零元数值不变，非零元所对应的矩阵参数px(i,t)，py(i,t)，pw(i,t)，ph(i,t)分别变为原来的S_i倍，并按照四舍五入取整，公式为：

其中i＝1,2,…，n；t＝1,2，…，c_i,n为压缩特征向量维数，c_i为初始随机测量矩阵R和R₂中第i行非零元素的个数；

(6)通过R_S和R_2s分别将原始高维图像特征压缩为低维特征向量V，V₂；

(7)将V，V₂送入贝叶斯分类器中进行分类；

后验概率与先验概率的关系如下所示：

先验概率p(y＝1)＝p(y＝0),其中0,1分别表示正、负样本，构造分类器：

根据高维随机向量的随机映射几乎总是服从高斯分布的，4个概率条件p(v_i|y＝1),p(v_2i|y＝1),p(v_i|y＝0),p(v_2i|y＝0)为高斯分布，即：

标量参数更新公式为：

其中λ(λ＞0)是学习参数，根据极大似然估计可得：

得到最大的H(v)值，则最有最大匹配值的特征所在模板即为最终的目标图像。

进一步，原始高维图像特征提取过程如下：

对于每个样本Z∈R^w×h，把Z和W×h个归一化的矩形滤波器{h_1×1,…，h_w×h}卷积，其中：

i,j分别为滤波器的宽和高，Z与每一个滤波器卷积之后得到的图像，表示为一个的列向量；之后再把这W×h个结果连结到一起，构成一个高维的尺度不变的图像特征X＝{x₁,…,x_m}^T,m＝(wh)²。

本发明的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的视频跟踪系统。

本发明的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的计算机。

本发明的另一目的在于提供一种利用所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的摄像头。

本发明提供的改进稀疏矩阵的尺度自适应性压缩跟踪方法，通过归一化矩形特征以及伸缩窗口采样，实现了对目标的尺度自适应性跟踪；其次，压缩跟踪算法中的随机测量矩阵是随机生成的，继而提取到的低维特征是随机的，压缩特征反映原图像的灰度信息和纹理信息概率不等。本发明通过增加互补的随机测量矩阵改进压缩特征，保证提取特征的灰度性和纹理性概率相同，从而提高跟踪结果的准确率。定义边界框成功率其中R_T表示跟踪过程中的边界框，R_G表示目标实际位置的边界框，[·]表示·区域内的像素数目。设定一个阈值t∈[0,1],在某一帧中，当s>t时，就认为在这一帧中算法成功跟踪目标。设成功跟踪的总帧数M，图像序列的总帧数为N，那么成功跟踪率当t取0.5时，图4对比了原压缩感知算法(CT)和本文中改进算法的跟踪成功率。图中选用的3个跟踪视频deer、jumping、carscaled为目标跟踪数据库中的标准数据。

本发明提出了改进压缩特征的尺度自适应性压缩跟踪算法，实现了对尺度变化目标的稳定跟踪。利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性。利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现了对目标的尺度自适应性跟踪。利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到了平衡，如图4所示，提高了跟踪结果的准确率。

附图说明

图1是本发明实施例提供的改进稀疏矩阵的尺度自适应性压缩跟踪方法流程图。

图2是本发明实施例提供的原始随机测量矩阵R和与它互补的R₂示意图。

图中：a：填充部分代表非零值所在灰色填充，值为-1；黑色填充，值为+1；b：与R互补的原始随机测量矩阵R₂∈R^n×m；R中第i行非零元素全为1或-1，则令R₂中非零元素同时有1和-1；R中第i行非零元素同时包含1，-1,则令R₂中非零元素同时为1。

图3是本发明实施例提供的随机测量矩阵的尺度转换和低维压缩特征提取示意图。

图4是原压缩感知算法(CT)和本文中改进算法的跟踪成功率比较。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的改进稀疏矩阵的尺度自适应性压缩跟踪方法包括以下步骤：

S101：利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；

S102：利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现了对目标的尺度自适应性跟踪；

S103：利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到了平衡。

下面结合具体实施例对本发明的应用原理作进一步的描述。

参照图1，具体步骤包括在第t帧图像更新分类器和在第(t+1)帧图像确定跟踪目标两个阶段。

在第t帧图像更新分类器阶段：

(1)初始化参数，确认第t帧图像的目标矩形框位置X_t(x,y,w,h),其中x，y分别为目标矩形框左上角在该帧内的行、列坐标，w，h分别为目标矩形框的宽和高。

在第一帧图像时，人工标记目标矩形框位置。

(2)以目标位置中心为基准，采集宽、高和目标尺寸一致的正、负样本。

采样两个样本集：D^α＝{z|||l(z)-l_t||<α}和D^ζ,β＝{z|ζ<||l(z)-l_t||<β}其中，α<ζ<β。

(3)将采集到的正、负样本集和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X。

假设Z∈R^w×h表示宽、高分别为w,h的样本图像，将采集到的样本图像和一系列归一化的矩形滤波器{h_1×1,…，h_w×h}的卷积：

其中，i,j分别为表示归一化矩形滤波器的宽度和高度，Z与每一个滤波器卷积之后得到的图像，表示为一个的列向量。之后再把这w×h个结果连结到一起，构成一个高维的多尺度图像特征X＝{x₁,…x_w×h，}^T,m＝(wh)²。

(4)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维压缩特征向量V。

R的矩阵元素定义为：

其中r_i,j为R的第i行第j个非零元素。

(5)通过与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维压缩特征向量V₂。V₂中表示原图像的纹理特征和灰度特征和V中表示的原图像的纹理特征和灰度特征形成了概率上的互补。

参考附图2，互补测量矩阵R₂与R中的非零元素位置相同，其数值定义如下：

其中c表示R矩阵中每行非零元素的个数。

(6)将V和V₂分别送入贝叶斯分类器中对其进行训练，更新分类器参数。

标量参数更新公式为：

其中λ(λ＞0)是学习参数，根据极大似然估计可得，

在第(t+1)帧图像确定跟踪目标：

(7)在第t帧图像确定的目标位置X_t周围采集模板，采集宽、高和目标尺寸一致。

采集半径为γ，即在t帧跟踪到的目标位置I_t的周围(也就是满足D^γ＝{z|||l(z)-l_t||<γ，与I_t距离小于γ)采样n个图像片。

(8)将采集到的模板和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X。

(9)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维特征向量V。

(10)通过与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维特征向量V₂。

(11)将随机测量矩阵V和V₂分别送入第t帧训练好的贝叶斯分类器中检测，得到模板的匹配值，匹配值最大的模板确定为该帧的初始跟踪目标，标记其位置X′_t+1。

(12)收缩窗口采集模板：在X′_t+1附近选择多种尺寸的模板，压缩提取其特征，计算这些模板相应的匹配值，从而得到当前帧最终的最优匹配图像，其位置标记为X_t+1。

在第t+1帧的初始目标位置X′_t+1＝(x′_t+1,y′_t+1,w′_t+1,h′_t+1)附近，通过对目标矩形框进行各种尺度缩放、平移变换，产生一序列扫描窗口。窗口的尺度缩放系数s为1.2，最小扫描窗口大小为40个像素。窗口的尺度变化等级为其中，c_i表示尺度缩放的等级，与图像大小(W，H)和初始跟踪窗大小(w′_t+1,h′_t+1)有关。跟踪窗个数的选择公式如下：

附图3，将模板和归一化的矩形滤波器卷积后得到原始高维图像特征，在将原始高维特征压缩为低维特征时，原始随机测量矩阵R和R₂要随着模板尺寸的变化进行调整。具体调整方法为：

保持R和R₂中的所有非零元数值不变，非零元所对应的矩阵参数px(i,t)，py(i,t)，pw(i,t)，ph(i,t)分别变为原来的S_i倍，并按照四舍五入取整，公式为

其中i＝1,2,…，n；t＝1,2，…，c_i,n为压缩特征向量维数，c_i为初始随机测量矩阵R和R₂中第i行非零元素的个数。

将低维特征向量V和V₂送入贝叶斯分类器中分类，具体公式为：

得到最大的H(v)值，则该帧模板即为第t+1帧图像最终跟踪目标。

(13)若t+1不是最后一帧，则令t＝t+1，返回第t帧更新分类器阶段，继续检测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法利用归一化矩形特征作为原始高维图像特征描述目标模型，使得特征对目标尺度变化有较强的适应性；利用伸缩窗口采样，使得算法跟踪目标时跟踪窗口能够随着目标尺寸的变化而变化，实现对目标的尺度自适应性跟踪；利用互补的随机测量矩阵R2，使得压缩后的低维特征的纹理信息和灰度信息得到平衡。

2.如权利要求1所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述改进稀疏矩阵的尺度自适应性压缩跟踪方法包括：

在第t帧图像更新分类器阶段：

(1)初始化参数，确认第t帧图像的目标矩形框位置X_t(x,y,w,h)，其中x，y分别为目标矩形框左上角在该帧内的行、列坐标，w，h分别为目标矩形框的宽和高；

(2)以目标位置中心为基准，采集宽、高和目标尺寸一致的正、负样本；

(3)将采集到的正、负样本和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；

(4)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维压缩特征向量V；

(5)通过构建与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维压缩特征向量V₂。V₂中表示原图像的纹理特征和灰度特征和V中表示的原图像的纹理特征和灰度特征形成概率上的互补；

(6)将V和V₂分别送入贝叶斯分类器中对其进行训练，更新分类器参数；

(7)在第t帧图像确定的目标位置X_t周围采集模板，采集宽、高和目标尺寸一致；

(8)将采集到的模板和一系列的归一化矩形滤波器卷积，获得具有尺度不变性的原始高维图像特征X；

(9)通过随机测量矩阵R，压缩样本的原始高维图像特征X，得到低维特征向量V；

(10)通过与R互补的随机测量矩阵R₂，压缩样本的原始高维图像特征X，得到低维特征向量V₂；

(11)将随机测量矩阵V和V₂分别送入第t帧训练好的贝叶斯分类器中检测，得到模板的匹配值，匹配值最大的模板确定为该帧的初始跟踪目标，标记其位置X′_t+1；

(12)在X′_t+1附近选择多种尺寸的模板，压缩提取其特征，计算模板相应的匹配值，得到当前帧最终的最优匹配图像，其位置标记为X_t+1；

(13)若t+1不是最后一帧，则令t＝t+1，返回第t帧更新分类器阶段，继续检测。

3.如权利要求2所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，所述随机测量矩阵R₂为：

$r_{2(i,j)}=\left\{\begin{array}{c}{(-1)}^j\left|r_{i,j}\right|,\underset{c}{\&Sigma;}{r}_{i,j}=\&PlusMinus;c\\ \left|r_{i,j}\right|,otherwise\end{array}\right.$

其中c表示R矩阵中每行非零元素的个数。

4.如权利要求2所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，在初始目标位置X′_t+1周围采集模板，确定最终跟踪目标的步骤如下：

(1)在第t+1帧的初始目标位置X′_t+1＝(x′_t+1,y′_t+1,w′_t+1,h′_t+1)附近，通过对目标矩形框进行各种尺度缩放、平移变换，产生一序列扫描窗口；窗口的尺度缩放系数s为1.2，最小扫描窗口大小为40个像素；窗口的尺度变化等级为其中，c_i表示尺度缩放的等级，与图像大小(W，H)和初始跟踪窗大小(w′_t+1,h′_t+1)有关；跟踪窗个数的选择公式如下：

$\left\{\begin{array}{c}{w}_{t+1}^{\&prime;}{S}_i\&le;W\\ h_{t+1}^{\&prime;}{S}_i\&le;H\\ w_0{h}_0{S}_i^2\&GreaterEqual;40\end{array}\right.;$

(2)将模板提取为具有尺度不变性的原始高维图像特征；

(3)依据样本图像尺度，对初始随机测量矩阵R和R₂的非零元进行调整，得到尺度S_i下的随机测量矩阵R_S和R_2s；

保持R和R₂中的所有非零元数值不变，非零元所对应的矩阵参数px(i,t)，py(i,t)，pw(i,t)，ph(i,t)分别变为原来的S_i倍，并按照四舍五入取整，公式为：

${\mathrm{px}}_{s_i}(i,t)=round\left(px\right(i,t)\&CenterDot;s_i)$

${\mathrm{py}}_{s_i}(i,t)=round\left(py\right(i,t)\&CenterDot;s_i)$

${\mathrm{pw}}_{s_i}(i,t)=round\left(pw\right(i,t)\&CenterDot;s_i)$

${\mathrm{ph}}_{s_i}(i,t)=round\left(ph\right(i,t)\&CenterDot;s_i);$

其中i＝1,2,…，n；t＝1,2，…，c_i,n为压缩特征向量维数，c_i为初始随机测量矩阵R和R₂中第i行非零元素的个数；

(4)通过R_S和R_2s分别将原始高维图像特征压缩为低维特征向量V，V₂；

(5)将V，V₂送入贝叶斯分类器中进行分类；

后验概率与先验概率的关系如下所示：

$p\left(y\right|v_{\mathrm{1...}}{v}_n,v_{21},\mathrm{...}{v}_{2n})\&Proportional;p\left(y\right)\underset{i=1}{\overset{n}{\&Pi;}}p\left(v_i\right|y)p\left(v_{2i}\right|y);$

先验概率p(y＝1)＝p(y＝0),其中0,1分别表示正、负样本，构造分类器：

$\begin{array}{c}H\left(v\right)=\ln \left(\frac{{\&Pi;}_{i=1}^{n}p\left(v_i|y=1\right)p\left(v_{2i}|y=1\right)p\left(y=1\right)}{{\&Pi;}_{i=1}^{n}p\left(v_i|y=0\right)p\left(v_{2i}|y=0\right)p\left(y=0\right)}\right)\\ =\underset{i=1}{\overset{n}{\&Sigma;}}\ln \left(\frac{p\left(v_i|y=1\right)p\left(v_{2i}|y=1\right)}{p\left(v_i|y=0\right)p\left(v_{2i}|y=0\right)}\right)\end{array};$

根据高维随机向量的随机映射几乎总是服从高斯分布的，4个概率条件p(v_i|y＝1),p(v_2i|y＝1),p(v_i|y＝0),p(v_2i|y＝0)为高斯分布，即：

$p\left(v_i\right|y=1)~N({\mathrm{\&mu;}}_i^1,{\mathrm{\&sigma;}}_i^1),$

$p\left(v_i\right|y=0)~N({\mathrm{\&mu;}}_i^0,{\mathrm{\&sigma;}}_i^0),$

$p\left(v_{2i}\right|y=1)~N({\mathrm{\&mu;}}_{2i}^1,{\mathrm{\&sigma;}}_{2i}^1),$

$p\left(v_{2i}\right|y=0)~N({\mathrm{\&mu;}}_{2i}^0,{\mathrm{\&sigma;}}_{2i}^0)$

标量参数更新公式为：

${\mathrm{\&mu;}}_i^y\&LeftArrow;{\mathrm{\&lambda;\&mu;}}_i^y+(1-\mathrm{\&lambda;}){\mathrm{\&mu;}}^y$

${\mathrm{\&sigma;}}_i^y\&LeftArrow;\sqrt{\mathrm{\&lambda;}\left({\mathrm{\&sigma;}}_i^y\right)+(1-\mathrm{\&lambda;}){\left({\mathrm{\&sigma;}}^y\right)}^2+\mathrm{\&lambda;}(1-\mathrm{\&lambda;}){({\mathrm{\&mu;}}_i^y-{\mathrm{\&mu;}}^y)}^2}$

${\mathrm{\&mu;}}_{2i}^y\&LeftArrow;{\mathrm{\&lambda;\&mu;}}_{2i}^y+(1-\mathrm{\&lambda;}){\mathrm{\&mu;}}_2^y$

${\mathrm{\&sigma;}}_{2i}^y\&LeftArrow;\sqrt{\mathrm{\&lambda;}\left({\mathrm{\&sigma;}}_{2i}^y\right)+(1-\mathrm{\&lambda;}){\left({\mathrm{\&sigma;}}_2^y\right)}^2+\mathrm{\&lambda;}(1-\mathrm{\&lambda;}){({\mathrm{\&mu;}}_{2i}^y-{\mathrm{\&mu;}}_2^y)}^2};$

其中λ(λ＞0)是学习参数，μ^y,σ^y,根据极大似然估计可得：

${\mathrm{\&mu;}}^y=\frac{1}{n}\underset{k=0}{\overset{n-1}{\&Sigma;}}{v}_i{\left(k\right)}_{|y}$

${\mathrm{\&sigma;}}^y=\sqrt{\frac{1}{n}\underset{k=0}{\overset{n-1}{\&Sigma;}}{\left(v_i\right(k)-{\mathrm{\&mu;}}^y)}_{|y}}$

${\mathrm{\&mu;}}_2^y=\frac{1}{n}\underset{k=0}{\overset{n-1}{\&Sigma;}}{v}_{2i}{\left(k\right)}_{|y}$

${\mathrm{\&sigma;}}_2^y=\sqrt{\frac{1}{n}\underset{k=0}{\overset{n-1}{\&Sigma;}}{\left(v_{2i}\right(k)-{\mathrm{\&mu;}}_2^y)}_{|y}};$

得到最大的H(v)值，则最有最大匹配值的特征所在模板即为最终的目标图像。

5.如权利要求2所述的改进稀疏矩阵的尺度自适应性压缩跟踪方法，其特征在于，原始高维图像特征提取过程如下：

对于每个样本Z∈R^w×h，把Z和W×h个归一化的矩形滤波器{h_1×1,…，h_w×h}卷积，其中：

$h_{i,j}(x,y)=\left\{\begin{array}{c}\frac{1}{ij},1\&le;x\&le;i,1\&le;y\&le;j;\\ 0,otherwise\end{array}\right.$

i,j分别为滤波器的宽和高，Z与每一个滤波器卷积之后得到的图像，表示为一个的列向量；之后再把这W×h个结果连结到一起，构成一个高维的尺度不变的图像特征X＝{x₁,…,x_m}^T,m＝(wh)²。

6.一种利用权利要求1～5任意一项所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的视频跟踪系统。

7.一种利用权利要求1～5任意一项所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的计算机。

8.一种利用权利要求1～5任意一项所述改进稀疏矩阵的尺度自适应性压缩跟踪方法的摄像头。