本發(fā)明涉及無人艇應(yīng)用技術(shù)領(lǐng)域，具體地說是一種基于無人艇應(yīng)用的目標(biāo)長(zhǎng)時(shí)間穩(wěn)定跟蹤方法。

背景技術(shù)：

無人艇，是一種無人操作的水面艦艇，可以在各種環(huán)境中使用，尤其便于在不適合有人船只和較為危險(xiǎn)的環(huán)境中使用，不管是在軍用領(lǐng)域還是民用領(lǐng)域，我國(guó)對(duì)無人艇的需求都在逐漸增強(qiáng)。在無人艇的自主航行中，目標(biāo)的穩(wěn)定跟蹤是無人艇自動(dòng)避障的技術(shù)基礎(chǔ)。目前常用的目標(biāo)跟蹤方法主要有以下兩種:

(1)基于關(guān)鍵點(diǎn)匹配的目標(biāo)跟蹤方法

基于關(guān)鍵點(diǎn)匹配的目標(biāo)跟蹤方法通常在目標(biāo)所在區(qū)域提取具有不變性特征的關(guān)鍵點(diǎn)，將目標(biāo)模板視作一些關(guān)鍵點(diǎn)的集合，在以后的各幀中提取關(guān)鍵點(diǎn)并與模板的關(guān)鍵點(diǎn)比較，然后估計(jì)幾何變換參數(shù)，求得當(dāng)前幀目標(biāo)位置相對(duì)于初始模板位置的幾何變換關(guān)系。

(2)基于目標(biāo)檢測(cè)的目標(biāo)跟蹤方法

基于目標(biāo)檢測(cè)的跟蹤方法通常利用一個(gè)在線訓(xùn)練的分類器將目標(biāo)從周圍背景中區(qū)分出來。在跟蹤的過程中，在上一幀目標(biāo)所在位置周圍以滑動(dòng)窗口形式提取一定數(shù)量的候選框，通過在線訓(xùn)練的分類器預(yù)測(cè)目標(biāo)所在位置。有了目標(biāo)的預(yù)估位置以后，可以生成一個(gè)帶標(biāo)簽的訓(xùn)練樣本集合，用這個(gè)訓(xùn)練樣本集在線訓(xùn)練更新分類器模型參數(shù)。

基于關(guān)鍵點(diǎn)匹配的方法的成功與關(guān)鍵點(diǎn)的檢測(cè)方法密切相關(guān)，關(guān)鍵點(diǎn)太多會(huì)影響算法執(zhí)行效率，關(guān)鍵點(diǎn)太少會(huì)影響算法的準(zhǔn)確性，并且，當(dāng)目標(biāo)的外觀發(fā)生劇烈變化，或者背景較復(fù)雜，與目標(biāo)區(qū)分度不大時(shí)，這種算法就會(huì)跟丟目標(biāo)，導(dǎo)致跟蹤失敗。而基于目標(biāo)檢測(cè)的跟蹤方法雖然能夠很好的解決目標(biāo)的形變、旋轉(zhuǎn)等問題，但是算法復(fù)雜度較高，難以做到實(shí)時(shí)，限制此類方法的實(shí)際應(yīng)用范圍。

盡管目前已存在許多目標(biāo)跟蹤的方法，但是在無人艇的自主航行問題中，待跟蹤的目標(biāo)類型眾多(例如游輪、帆船、漂浮物、礁石等)，可能很大也可能很小，并且經(jīng)常伴隨目標(biāo)的尺度變化以及目標(biāo)之間的遮擋，在保證實(shí)時(shí)性的前提下，目前的目標(biāo)跟蹤方法不能很好的適應(yīng)真實(shí)的自然場(chǎng)景。

綜上所述，盡管目前存在很多目標(biāo)跟蹤相關(guān)方法，但由于算法的魯棒性以及實(shí)時(shí)性等原因，很難將其應(yīng)用到無人艇的自動(dòng)避障中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于無人艇應(yīng)用的水面目標(biāo)跟蹤方法，能夠長(zhǎng)時(shí)間穩(wěn)定地進(jìn)行跟蹤。

為了解決上述技術(shù)問題，本發(fā)明采取以下技術(shù)方案：

一種基于無人艇應(yīng)用的目標(biāo)跟蹤方法，包括以下步驟：

s1,獲取目標(biāo)的圖像序列，在以上一幀目標(biāo)所在位置為搜索中心的設(shè)定范圍內(nèi)，利用預(yù)設(shè)濾波器f(z)＝w^tz，z為樣本的特征向量，w為權(quán)重向量，搜索到最大響應(yīng)位置，該最大響應(yīng)位置作為目標(biāo)在當(dāng)前幀的候選位置中心；

s2,在候選位置中心的周圍采用多尺度滑動(dòng)窗口采樣得到若干候選框，利用結(jié)構(gòu)化svm分類器對(duì)所有候選框計(jì)算得分，得分最大的候選框作為當(dāng)前幀目標(biāo)的預(yù)測(cè)結(jié)果；

s3，判斷目標(biāo)是否被遮擋；

s4，若目標(biāo)被遮擋，則不進(jìn)行在線學(xué)習(xí)，不更新預(yù)設(shè)濾波器參數(shù)和結(jié)構(gòu)化svm分類器參數(shù)；若目標(biāo)未被遮擋，更新預(yù)設(shè)濾波器參數(shù)，轉(zhuǎn)入步驟s5；

s5，更新結(jié)構(gòu)化svm分類器參數(shù)；

s6，重復(fù)步驟s1-s5，直到圖像序列的最后一幀。

所述步驟s4中更新預(yù)設(shè)濾波器參數(shù)具體包括以下子步驟：

s4.1，構(gòu)造循環(huán)樣本矩陣，以步驟s2得到的預(yù)測(cè)結(jié)果所在位置作為中心，設(shè)置一個(gè)基本樣本，該基本樣本的大小為目標(biāo)的n倍，n為大于1的實(shí)數(shù)，將該基本樣本進(jìn)行上下左右的循環(huán)偏移，得到若干訓(xùn)練樣本，所有訓(xùn)練樣本構(gòu)成循環(huán)樣本矩陣；

s4.2，對(duì)預(yù)設(shè)濾波器f(z)＝w^tz中的參數(shù)w進(jìn)行更新，設(shè)定訓(xùn)練樣本及其回歸值為{(x1，y1)，(x2，y2)，...，(xi，yi)，...}，根據(jù)目標(biāo)函數(shù)：利用線性最小二乘法求解計(jì)算得到閉式解：w＝(x^tx+λi)^-1x^ty，x是一個(gè)由訓(xùn)練樣本的特征向量組成的樣本矩陣，y是由每個(gè)訓(xùn)練樣本的回歸值yi組成的列向量，i是個(gè)單位矩陣，λ為正則化參數(shù)。

所述步驟s4.2中，對(duì)于閉式解w＝(x^tx+λi)^-1x^ty，其中存在逆運(yùn)算(x^hx+λi)^-1，在樣本量很多時(shí)直接求解逆運(yùn)算會(huì)很耗時(shí)，為了提高運(yùn)算效率，對(duì)該閉式解進(jìn)行離散傅立葉變換。

所述步驟s5具體包括以下子步驟：

s5.1，以預(yù)測(cè)結(jié)果所在位置為中心，在設(shè)定搜索半徑的區(qū)域內(nèi)，均勻采集訓(xùn)練樣本，得到支持向量，該支持向量由正訓(xùn)練樣本和負(fù)訓(xùn)練樣本構(gòu)成，更新結(jié)構(gòu)化svm分類器參數(shù)；

s5.2，設(shè)定支持向量的數(shù)量上限，當(dāng)支持向量的數(shù)量達(dá)到閾值時(shí)，去除對(duì)結(jié)構(gòu)化svm分類器影響最小的支持向量。

所述步驟s3中判斷目標(biāo)是否被遮擋具體為：

s3.1，將步驟s2中得分最大的候選框所對(duì)應(yīng)的得分值與歷史最大得分值進(jìn)行比較，得分值最大的候選框?yàn)楫?dāng)前的跟蹤結(jié)果；

s3.2，若當(dāng)前的候選框的得分小于maxscore-derta_1*maxscore，則目標(biāo)被遮擋，當(dāng)前跟蹤結(jié)果維持上一幀目標(biāo)位置不變，并在下一幀尋找目標(biāo)時(shí)擴(kuò)大搜索范圍；

s3.3，若當(dāng)前的候選框的得分大于maxscore-derta_1*maxscore并且小于maxscore-derta_2*maxscore，則當(dāng)前跟蹤結(jié)果是目標(biāo)，目標(biāo)的一部分被遮擋，此時(shí)更新目標(biāo)位置，但是不更新預(yù)設(shè)濾波器和結(jié)構(gòu)化svm分類器參數(shù)；

s3.4，如果當(dāng)前的候選框的得分值大于maxscore-derta_2*maxscore，則既更新目標(biāo)位置也更新預(yù)設(shè)濾波器參數(shù)和結(jié)構(gòu)化svm分類器參數(shù)；

其中，maxscore為歷史最大得分值，derta_1和derta_2為常數(shù)，并且derta_2小于derta_1。

所述步驟s1具體包括以下子步驟：

s1.1，獲取目標(biāo)的圖像序列后，對(duì)其中的圖像進(jìn)行預(yù)處理，將圖像轉(zhuǎn)換為灰度圖，在該灰度圖上進(jìn)行特征提取取，得到特征圖；

s1.2，特征圖上每一個(gè)像素位置對(duì)應(yīng)有一個(gè)特征向量zij，計(jì)算特征圖上每個(gè)像素位置的響應(yīng)值f(z)＝w^tzij，得到熱圖，取該熱圖中最大響應(yīng)位置為當(dāng)前幀目標(biāo)候選位置的中心。

本發(fā)明能夠長(zhǎng)時(shí)間穩(wěn)定跟蹤無人艇自主航行中遇到的各種障礙物以及需要被跟蹤的目標(biāo)。通過及時(shí)處理無人艇上相機(jī)拍攝得到的圖片，結(jié)合預(yù)設(shè)濾波器和結(jié)構(gòu)化輸出的跟蹤方法，實(shí)時(shí)感知周圍環(huán)境，穩(wěn)定跟蹤感興趣目標(biāo)。在保證實(shí)時(shí)性的前提下，本發(fā)明相比于現(xiàn)有的其他跟蹤方法，無論是在處理跟蹤過程中目標(biāo)遮擋、尺度變化等問題，還是目標(biāo)自身發(fā)生形變或者環(huán)境背景光照變化等問題上，都有很大的提升，對(duì)無人艇的自動(dòng)避障具有重要的指導(dǎo)意義。

附圖說明

附圖1為本發(fā)明流程示意圖；

附圖2為本發(fā)明中判斷目標(biāo)是否被遮擋的流程示意圖；

附圖3為本發(fā)明預(yù)設(shè)濾波器更新參數(shù)的流程示意圖；

附圖4為本發(fā)明結(jié)構(gòu)化svm分類器更新參數(shù)的流程示意圖；

附圖5為本發(fā)明跟蹤實(shí)施例的示意圖。

具體實(shí)施方式

為了便于本領(lǐng)域技術(shù)人員的理解，下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的描述。

如附圖1所示，本發(fā)明揭示了一種基于無人艇應(yīng)用的水面目標(biāo)跟蹤方法，包括以下步驟：

s1，獲取目標(biāo)的圖像序列，在以上一幀目標(biāo)所在位置為搜索中心的設(shè)定范圍內(nèi)，利用預(yù)設(shè)濾波器f(z)＝w^tz，z為樣本的特征向量，w為權(quán)重向量，搜索到最大響應(yīng)位置，該最大響應(yīng)位置作為目標(biāo)在當(dāng)前幀的候選位置中心。

s2，在候選位置中心的周圍采用多尺度滑動(dòng)窗口采樣得到若干候選框，利用結(jié)構(gòu)化svm分類器對(duì)所有候選框計(jì)算得分，得分最大的候選框作為當(dāng)前幀目標(biāo)的預(yù)測(cè)結(jié)果。

s3，判斷目標(biāo)是否被遮擋。

s4，若目標(biāo)被遮擋，則不進(jìn)行在線學(xué)習(xí)，不更新預(yù)設(shè)濾波器參數(shù)和結(jié)構(gòu)化svm分類器參數(shù)，即使目標(biāo)的表現(xiàn)模型發(fā)生改變時(shí)也能準(zhǔn)確找得到目標(biāo)；若目標(biāo)未被遮擋，更新預(yù)設(shè)濾波器參數(shù)，轉(zhuǎn)入步驟s5。

s5，更新結(jié)構(gòu)化svm分類器參數(shù)。

s6，重復(fù)步驟s1-s5，直到圖像序列的最后一幀，從而得到較為準(zhǔn)確的跟蹤結(jié)果。

對(duì)于步驟s1具體包括以下子步驟：

s1.1，獲取目標(biāo)的圖像序列后，對(duì)其中的圖像進(jìn)行預(yù)處理，將圖像轉(zhuǎn)換為灰度圖，在該灰度圖上進(jìn)行特征提取，得到特征圖。如果目標(biāo)圖像的面積大于閾值smax，降低其分辨率為原來的0.5倍，避免因跟蹤器處理的圖像過大而降低算法效率，在本發(fā)明實(shí)施例中取smax＝50*50。如果是彩色圖，還需要將其轉(zhuǎn)換為灰度圖，特征提取只在灰度圖上進(jìn)行。對(duì)于圖像特征的選擇，選擇處理速度比較快速并且效果也比較好的hog特征，將梯度方向分為9個(gè)bin，cell大小為lcell*lcell，lcell＝4，每個(gè)cell的特征維度是31，計(jì)算搜索區(qū)域?qū)?yīng)的特征圖，如果搜索區(qū)域的大小為wf*hf，特征圖的大小為

s1.2，特征圖上每一個(gè)像素位置對(duì)應(yīng)有一個(gè)特征向量zij，計(jì)算特征圖上每個(gè)像素位置的響應(yīng)值f(z)＝w^tzij，得到熱圖，取該熱圖中最大響應(yīng)位置為當(dāng)前幀目標(biāo)候選位置的中心。特征圖上每個(gè)像素位置都有一個(gè)特征向量zij，利用上一幀圖像訓(xùn)練得到的權(quán)重向量w，計(jì)算特征圖上每個(gè)位置的響應(yīng)值f(z)＝w^tzij，得到熱圖，取熱圖中最大響應(yīng)位置為當(dāng)前幀目標(biāo)候選位置的中心，起到縮小步驟2結(jié)構(gòu)化svm分類器的搜索范圍的作用。

在步驟s2中，根據(jù)步驟1得到當(dāng)前幀的候選位置中心，若目標(biāo)長(zhǎng)和寬分別為wt、ht，則搜索區(qū)域的長(zhǎng)和寬為wt+12、ht+12。在搜索區(qū)域內(nèi)以5個(gè)尺度(1.0，0.9，1.05，1.1，1.15)進(jìn)行滑動(dòng)窗口密集采樣，得到目標(biāo)候選框。

選用6種haar特征模板，將每個(gè)候選框分為4*4的網(wǎng)格，在2個(gè)尺度上對(duì)每個(gè)候選框所在區(qū)域的圖像計(jì)算得到192維haar特征。為了提高算法的計(jì)算效率，在特征提取前，首先計(jì)算輸入圖像的積分圖。利用結(jié)構(gòu)化svm分類器對(duì)每個(gè)候選框計(jì)算得分。取得分最大的候選框作為目標(biāo)新的位置。

如附圖2所示，步驟s3中判斷目標(biāo)是否被遮擋具體為：

s3.1，將步驟s2中得分最大的候選框所對(duì)應(yīng)的得分值與歷史最大得分值進(jìn)行比較，得分值最大的候選框?yàn)楫?dāng)前的跟蹤結(jié)果；

s3.2，若當(dāng)前的候選框的得分小于maxscore-derta_1*maxscore，則目標(biāo)被遮擋，當(dāng)前跟蹤結(jié)果維持上一幀目標(biāo)位置不變，并在下一幀尋找目標(biāo)時(shí)擴(kuò)大搜索范圍；

s3.3，若當(dāng)前的候選框的得分大于maxscore-derta_1*maxscore并且小于maxscore-derta_2*maxscore，則當(dāng)前跟蹤結(jié)果是目標(biāo)，目標(biāo)的一部分被遮擋，此時(shí)更新目標(biāo)位置，但是不更新預(yù)設(shè)濾波器和結(jié)構(gòu)化svm分類器參數(shù)；

s3.4，如果當(dāng)前的候選框的得分值大于maxscore-derta_2*maxscore，則既更新目標(biāo)位置也更新預(yù)設(shè)濾波器參數(shù)和結(jié)構(gòu)化svm分類器參數(shù)；

其中，maxscore為歷史最大得分，derta_1和derta_2為常數(shù)，并且derta_2小于derta_1。在本實(shí)施例中，derta_1、derta_2的值分別是0.65和0.35。

通過判斷目標(biāo)是否被遮擋，并且執(zhí)行相關(guān)操作，有效防止預(yù)設(shè)濾波器和結(jié)構(gòu)化svm分類器發(fā)生錯(cuò)誤更新，導(dǎo)致跟蹤結(jié)果出現(xiàn)漂移甚至跟丟目標(biāo)的情況。

此外，如附圖3所示，所述步驟s4中更新預(yù)設(shè)濾波器參數(shù)具體包括以下子步驟：

s4.1，構(gòu)造循環(huán)樣本矩陣，以步驟s2得到的預(yù)測(cè)結(jié)果所在位置作為中心，設(shè)置一個(gè)基本樣本，該基本樣本的大小為目標(biāo)的n倍，n為大于1的實(shí)數(shù)，將該基本樣本進(jìn)行上下左右的循環(huán)偏移，得到若干訓(xùn)練樣本，所有訓(xùn)練樣本構(gòu)成循環(huán)樣本矩陣。比如，將基本樣本的大小設(shè)為目標(biāo)大小的3倍。以目標(biāo)為中心，將基本樣本做出相應(yīng)的上下左右循環(huán)偏移，可以得到數(shù)量很多的訓(xùn)練樣本，對(duì)于新構(gòu)造的訓(xùn)練樣本，根據(jù)它里面目標(biāo)中心與基本樣本目標(biāo)中心的距離，分配一個(gè)總體呈高斯分布的回歸值，方差為0.4、0.3或者其他數(shù)值，該方差的取值與目標(biāo)大小有關(guān)，上述列舉并非是限定，具體表現(xiàn)為方差w和h分別是目標(biāo)的長(zhǎng)和寬，lcell為前述hog特征的cell大小?；緲颖净貧w值為1，循環(huán)偏移的越多，其樣本回歸值越接近0。即目標(biāo)在中心時(shí)，標(biāo)簽為1，目標(biāo)偏離中心越遠(yuǎn)，標(biāo)簽越小，最小為0。

另外，通過循環(huán)偏移得到的圖像在邊界處不是很平滑，通過對(duì)基準(zhǔn)圖像乘以一個(gè)漢寧窗來降低邊緣圖像的權(quán)重。

s4.2，對(duì)預(yù)設(shè)濾波器f(z)＝w^tz中的參數(shù)w進(jìn)行更新，設(shè)定訓(xùn)練樣本及其回歸值為{(x1，y1)，(x2，y2)，...，(xi，yi)，...}，根據(jù)目標(biāo)函數(shù)：利用線性最小二乘法求解計(jì)算得到閉式解：w＝(x^tx+λi)^-1x^ty，x是一個(gè)由訓(xùn)練樣本的特征向量組成的樣本矩陣，y是由每個(gè)訓(xùn)練樣本的回歸值yi組成的列向量，i是個(gè)單位矩陣，λ為正則化參數(shù)。對(duì)于閉式解w＝(x^tx+λi)^-1x^ty，其中存在逆運(yùn)算(x^hx+λi)^-1，對(duì)該閉式解進(jìn)行離散傅立葉變換。

上述的訓(xùn)練樣本的訓(xùn)練過程實(shí)際上是求解一個(gè)嶺回歸問題，或者叫做正則化最小二乘問題。比如，一個(gè)復(fù)數(shù)情況下的求解結(jié)果w^*＝(x^hx+λi)^-1x^hy，其中x^h是x的共軛轉(zhuǎn)置，w^*是w的共軛。在這個(gè)閉式解中出現(xiàn)了求逆運(yùn)算(x^hx+λi)^-1，將上面的閉式解進(jìn)行離散傅立葉變換，可以避開矩陣求逆運(yùn)算，減少算法執(zhí)行時(shí)間，極大提高目標(biāo)跟蹤算法的實(shí)時(shí)性。最終得到⊙代表向量對(duì)應(yīng)元素相乘，經(jīng)過反向傅里葉變換即可得到w，從而實(shí)現(xiàn)預(yù)設(shè)濾波器參數(shù)的順利更新。

如附圖4所示，所述步驟s5具體包括以下子步驟：

s5.1，以預(yù)測(cè)結(jié)果所在位置為中心，在設(shè)定搜索半徑的區(qū)域內(nèi)，均勻采集訓(xùn)練樣本，得到支持向量，該支持向量由正訓(xùn)練樣本和負(fù)訓(xùn)練樣本構(gòu)成，更新結(jié)構(gòu)化svm分類器參數(shù)。

通過學(xué)習(xí)一個(gè)預(yù)測(cè)函數(shù)f：x→y去直接預(yù)測(cè)幀間的目標(biāo)位置轉(zhuǎn)換關(guān)系，而不是學(xué)習(xí)一個(gè)分類器。輸出空間是轉(zhuǎn)換關(guān)系y而不是二值標(biāo)簽0或者1。在該方法中，一個(gè)帶標(biāo)簽的樣本是一對(duì)(x，y)，y是目標(biāo)位置的轉(zhuǎn)換關(guān)系(比如位移、旋轉(zhuǎn))，在結(jié)構(gòu)化輸出svm框架下學(xué)習(xí)f，將f應(yīng)用于下式中進(jìn)行下一幀目標(biāo)位置的預(yù)測(cè)：

判別函數(shù)f為更準(zhǔn)確的包含目標(biāo)的樣本打高分。其中pt-1為t-1幀目標(biāo)所在位置，為第t幀位置在pt-1處的圖像，y是位置變化關(guān)系的集合，yt是預(yù)測(cè)的目標(biāo)位置，f可以表示其中w是分類器的參數(shù)，是x，y的結(jié)構(gòu)化特征表示，在后續(xù)處理中會(huì)通過核函數(shù)將特征映射到另一個(gè)高維特征空間，通過選擇一定數(shù)量的正負(fù)樣本作為訓(xùn)練樣本集合，使下面的損失函數(shù)取得最小來在線更新結(jié)構(gòu)化svm分類器參數(shù)：

其中yi代表第i幀對(duì)應(yīng)的跟蹤器的輸出結(jié)果，εi為svm中的松弛變量，(為論文中常見的含義，即：對(duì)于所有的i，對(duì)于所有的y≠yi)，c為系數(shù)，xi代表第i幀圖像。此優(yōu)化的目的是為了確保當(dāng)y≠yi時(shí)，f(xi，yi)的值大于f(xi，y)，損失函數(shù)定義為δ(yi，y)。如果y＝y(tǒng)i，損失函數(shù)滿足δ(yi，y)＝0，并且當(dāng)y與yi越來越相似時(shí)趨近于0。δ(yi，y)＝1-spt(yi，y)，也就是給定一個(gè)參考位置pt和兩個(gè)轉(zhuǎn)換關(guān)系計(jì)算生成的兩個(gè)樣本的相似性。比如，重疊面積函數(shù)定義如下

使用標(biāo)準(zhǔn)的拉格朗日對(duì)偶技術(shù)，目標(biāo)函數(shù)被轉(zhuǎn)化為以下的相等對(duì)偶形式

在上述對(duì)偶形式中，為拉格朗日乘子，y都是位置變化關(guān)系的集合。判別函數(shù)可以表述成上面的對(duì)偶表達(dá)式可以被進(jìn)一步簡(jiǎn)化為：

其中如果y＝y(tǒng)i，δ(y，yi)＝1，其他情況下為0。也簡(jiǎn)化了判別式函數(shù)在此形式中，稱的為支持向量。稱包含至少一個(gè)支持向量的xi為支持模式。對(duì)于一個(gè)給定的xi，只有支持向量(xi，yi)的而除此以外的任何支持向量的分別稱為正的支持向量和負(fù)的支持向量。利用序列最小最優(yōu)化算法(smo)方法更新參數(shù)，由于所以這兩個(gè)參數(shù)按照相反的方向修改，代表正負(fù)支持向量的權(quán)系數(shù)，λ為變化量。利用公知的smo算法求得λ，更新

s5.2，設(shè)定支持向量的數(shù)量上限，當(dāng)支持向量的數(shù)量達(dá)到閾值時(shí)，去除對(duì)結(jié)構(gòu)化svm分類器影響最小的支持向量。

根據(jù)步驟s5.1，如果一個(gè)支持模式只有兩個(gè)支持向量，那么這兩個(gè)都會(huì)被移除。將向量(xr，y)移除后對(duì)權(quán)重向量的影響可以按下式計(jì)算：

(xr，yr)為正的支持向量，(xr，y)為去掉的支持向量，為(xr，y)前述判別函數(shù)f中的系數(shù)，w為判別函數(shù)f的參數(shù)在對(duì)偶空間中的表達(dá)，也就是說

如附圖5所示，為按照本發(fā)明方法進(jìn)行水面目標(biāo)跟蹤的一個(gè)實(shí)施例示意圖，能夠長(zhǎng)時(shí)間穩(wěn)定的跟蹤目標(biāo)。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。