[发明专利]一种基于KCF的尺度自适应目标跟踪方法

说明书

本发明公开了一种基于KCF的尺度自适应目标跟踪方法，其包括以下步骤：步骤1、选择跟踪目标区域，创建初始跟踪窗口及Padding窗，构建跟踪目标区域标签；步骤2、构建核相关滤波模型；步骤3、依据初始跟踪目标，构建跟踪目标尺度特征集合；步骤4、确定响应图像中最大位移；步骤5、确定最大响应位移；步骤6、确定跟踪目标的粗略位置；步骤7、在粗略位置提取SPP‑FHOG特征，修正余弦窗；步骤8、更新核相关滤波的循环矩阵模型和参数；步骤9、循环执行步骤，实现对跟踪目标的连续跟踪。本发明可以解决KCF算法尺度不敏感问题，解决KCF算法中跟踪目标超出Padding窗而跟踪丢失的问题。

技术领域

本发明涉及一种基于核相关滤波KCF(Kernelized Correlation Filters)的尺度自适应目标跟踪方法，尤其涉及跟踪目标区域的FHOG(Fused Histogram OrientedGradient)特征提取，基于核相关滤波的尺度自适应快速目标跟踪方法。

背景技术

基于视觉的目标跟踪是计算机视觉领域内的研究热点之一。近年来，随着深度学习相关理论研究的进一步深入，也出现了一些应用深度学习相关理论实现目标跟踪的方法，但是基于深度学习的方法受限于跟踪目标样本的数量影响(在初始帧中选择跟踪目标，因此跟踪目标的样本数量太少，通过对跟踪目标区域进行正负样本的扩充又易于造成深度算法的过拟合)，同时基于深度学习算法的目标跟踪效率较低。相关滤波算法在目标跟踪中的应用非常广泛，而且跟踪效率相对较高。MOSSE(Minimum Output Sum of Squared Errorfilter，误差平方和最小)算法首次将相关滤波的方法引入到目标跟踪领域，跟踪目标选择为灰度图像，算法对跟踪目标的尺度变换不敏感，因此，跟踪效果不够理想。在MOSSE算法的基础上，CSK(Circulant Structure of tracking-by-detection with Kernels)算法采用稠密采样的方法，充分利用了跟踪目标的特征。该方法同时引入了核相关的方法，将线性空间映射到高位的非线性空间，最终实现线性不可分变为线性可分。KCF算法在MOSSE算法和CSK算法的基础上提出了一种多特征融合的方法，同时应用循环矩阵的傅里叶变换可对角化的性质提升跟踪算法的跟踪效率，提高跟踪速度。虽然该算法能够实现对跟踪目标进行有效的跟踪，但是该算法存在两个明显的缺陷：跟踪目标的候选区域预测是在Padding窗中，如果跟踪目标由于运动幅度较大超出Padding窗区域，则该算法将不能够跟踪到目标，也即是跟踪目标丢失；当跟踪目标存在尺度变化时，跟踪目标区域窗口函数不能随着跟踪目标的尺度变化而变化，随着跟踪目标区域的更新，最终会导致跟踪目标丢失。针对该算法对尺度变换不敏感的缺陷，诸如DSST(Discriminative Scale Space Tracker)类算法提出了基于尺度池的方法，该类方法在跟踪过程中需要在尺度池中搜索确定跟踪目标的最终尺度，跟踪算法在尺度池中的搜索势必影响跟踪算法的跟踪实时性，尺度池中跟踪目标尺度数目越多，搜索效率越低，跟踪的实时性越差。

发明内容