本发明公开了一种基于四特征融合和权重系数的高光谱目标跟踪方法,属于图像处理技术领域。所述方法通过采用光谱降维后选定通道的高光谱图像序列和光谱降维后融合通道的高光谱图像序列,克服了现有技术中同时处理所有波段的高光谱视频,计算量大,实时性差的缺点,使得本发明提高了复杂背景下高光谱图像序列中目标跟踪的速度。进一步的,通过采用响应图融合的方式,权重系数更新、基样本更新的方法,有效的克服了复杂背景中杂波背景的干扰,克服了现有技术中容易受到目标遮挡和形变的影响,使估计出现误差,导致跟踪发生偏移或者失败的缺点,使得本发明增强了核相关滤波分类器的稳定性,能够有效对复杂背景下高光谱图像序列中的目标实现跟踪。

αi表示更新后的基于第i个特征的目标图像区域的核相关滤波分类器的参数，表示当前帧图像中基于第i个特征的目标图像区域的核相关滤波分类器的参数，表示历史帧图像中基于第i个特征的目标图像区域的核相关滤波分类器的参数，zi表示更新后的基于第i个特征的目标图像区域的测试基样本,表示当前帧图像中基于第i个特征的目标图像区域的测试基样本，表示历史帧图像中基于第i个特征的目标图像区域的基样本。

可选的，更新参数μ＝0.98，阈值参数vth＝0.8。

复杂背景下高光谱图像序列中的目标跟踪是高光谱图像处理技术领域重要组成部分，它在高光谱异常检测、高光谱目标检测与跟踪系统、高光谱遥感系统等许多系统中都有非常广泛的实际应用。近几年，基于改进核相关滤波的目标跟踪方法广泛应用在计算机视觉领域。核相关滤波算法利用基样本灰度特征进行跟踪，但是高光谱目标的灰度特征不足以区分出复杂背景和背景中的目标。

哈佛大学Luca Bertinetto等人发表的文献“Fully-Convolutional SiameseNetworks for Object Tracking”(发表会议European conference on computer vision，年份2016)中公开了一种基于全卷积孪生网络的视频目标跟踪方法。该方法实现的具体步骤是：基于ImageNet2015数据库，利用预先在线学习的方法，训练一个神经网络来解决生成式的相似性学习的问题，这个相似度匹配函数在跟踪的过程中简单的进行评价。然后利用预训练好的深度卷积网络作为特征编码器，提高跟踪性能。但是该方法容易受相似颜色背景的干扰，且深度网络的参数训练较耗时，算法的精确度和实时性受到较大影响。

斯坦福大学Burak Uzkent等人发表的文献“Tracking in aerial hyperspectralvideos using deep kernelized correlation filters”(发表期刊IEEE Transactionson Geoscience and Remote Sensing，年份2018)中公开了一种基于深度核相关滤波的机载高光谱视频目标跟踪方法，其设计了一种扩大跟踪器搜索区域的方法来处理低时间分辨率的问题，然后利用预训练好的神经网络来提高跟踪性能。在跟踪系统中，利用深层次的ROI映射策略，只向前传递ROI并将整个ROI投影到ROI响应图，然后估计出目标位置。该方法存在的不足之处是：需要搭建目标样本库来训练深度卷积网络，计算量较大，并且对于背景杂斑较多，即有太多相似性物体的时候，跟踪效果不好。

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

本发明通过采用光谱降维后选定通道的高光谱图像序列和光谱降维后融合通道的高光谱图像序列，克服了现有技术中同时处理所有波段的高光谱视频，计算量大，实时性差的缺点，使得本发明提高了复杂背景下高光谱图像序列中目标跟踪的速度。进一步的，通过采用响应图融合的方式、并权重系数进行更新，进一步利用更新后的权值系数对基样本进行更新的方法，有效的克服了复杂背景中杂波背景的干扰，克服了现有技术中容易受到目标遮挡和形变的影响，使估计出现误差，导致跟踪发生偏移或者失败的缺点，使得本发明增强了核相关滤波分类器的稳定性，能够有效对复杂背景下高光谱图像序列中的目标实现跟踪。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。