[发明专利]基于深度SR-KCF滤波的光学遥感视频目标跟踪方法

说明书

本发明提出了一种基于深度SR‑KCF滤波的光学遥感视频目标跟踪方法，用于在保证跟踪速度的基础上提高跟踪精度，实现步骤为：获取目标检测网络R‑FCN的训练集；训练目标检测网络；优化目标跟踪算法KCF，得到SR‑KCF；设定目标跟踪算法SR‑KCF中目标状态的判断条件；构建检测辅助跟踪算法；设定跟踪目标与检测目标的匹配条件；获取光学遥感视频第一帧图像包含目标的信息；获取光学遥感视频第二帧及以后图像包含目标的信息；输出光学遥感视频目标跟踪结果。本发明运用深度学习可以提取到目标更高级的特征，在相关滤波算法KCF中添加了背景抑制因子和稀疏响应因子，有效提高了提高跟踪精度。

技术领域

本发明属于遥感视频处理技术领域，涉及一种光学遥感视频目标跟踪方法，具体涉及一种基于深度SR-KCF滤波的光学遥感视频目标跟踪方法。可用于土地测绘、矿产资源开发、智慧城市建设、交通设施监测、农业估产、林业资源普查、生态环境监测及防灾减灾等方面。

背景技术

目标跟踪是指在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中这些目标的大小与位置。按照成像方式的不同，目标跟踪可分为光学视频目标跟踪和遥感视频目标跟踪两类。其中遥感视频目标跟踪又包含红外视频目标跟踪和光学遥感视频目标跟踪。基于相关滤波的光学遥感视频目标跟踪的方法可以总结为：输入初始化目标框，在下一帧中产生众多候选框，提取这些候选框的特征，然后计算这些候选框的响应，最后在这些响应中找一个得分最高的候选框作为预测的目标，或者对多个预测值进行融合得到更优的预测目标。基于帧差法的光学遥感视频运动目标检测的方法可以总结为：通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法。光学遥感视频目标跟踪与普通视频目标跟踪相比具有大面积同步观测的特点，可用于土地测绘、矿产资源开发、智慧城市建设、交通设施监测、农业估产、林业资源普查、生态环境监测及防灾减灾等方面，对其进行研究很有必要。鉴于光学遥感视频目标跟踪有如此广泛的应用，这对光学遥感视频目标跟踪方法在跟踪速度和精度方面的性能就提出了很高的要求。

Bo Du等人在2017在其发表的论文“Object Tracking in Satellite Videos byFusing the Kernel Correlation Filter and the Three-Frame-DifferenceAlgorithm”，(IEEE GeoscienceRemote Sensing Letters，2017)中，公开了一种融合KCF和三帧差分的光学遥感视频目标跟踪方法。该方法将基于相关滤波的目标跟踪方法KCF获取的跟踪结果和基于帧差法的三帧差分方法获取的运动目标检测结果进行了融合，得到了最终的目标跟踪结果。其中，KCF实现目标跟踪的过程为：输入初始化目标框，在下一帧运用循环矩阵的方法产生众多候选框，运用HOG或者灰度的方法来提取这些候选框的特征，然后计算这些候选框的响应，最后在这些响应中找一个得分最高的候选框作为预测的目标。三帧差分方法是在帧差法的基础上进行改进，将两帧图像作为一组进行差分，检测出中间帧运动目标的形状轮廓的方法。该跟踪方法在KCF跟踪结果的基础上引入了三帧差分对运动目标的检测结果，可以在KCF的基础上进一步提高跟踪精度；另一方面，KCF在选取目标候选块上，运用了循环矩阵的方法，而循环矩阵可以在傅里叶空间进行对角化，可以简化计算，进而达到较高的跟踪速度。但是其存在的缺陷在于，一方面该方法运用HOG或灰度来对目标进行特征提取，只能提取到目标的粗特征，容易造成跟踪延迟的问题，进而影响跟踪精度，此外，由于基于相关滤波的KCF算法在设计目标函数时忽略了被跟踪目标可能模糊或者被部分遮挡的因素，当目标模糊或者被部分遮挡的情况下，容易造成目标跟踪丢失现象，其跟踪精度更加有限。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于深度SR-KCF滤波的光学遥感视频目标跟踪方法，用于在保证跟踪速度的基础上提高跟踪精度。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取目标检测网络R-FCN的训练集D1：