[发明专利]一种面向航拍改进KCF和DSST相结合的目标检测方法

说明书

本发明公开了一种面向航拍改进KCF和DSST相结合的目标检测方法，属于计算机视觉技术领域。所述方法在预计算阶段，初始化视频序列，对视频进行分帧处理，并且对目标进行标注；之后是目标定位阶段，提取目标位置候选框的特征，计算高斯核，根据目标位置计算新的目标模板、滤波器预测的位置以及其周围采样点位置的响应值，取最高响应值的位置为跟踪的目标所在位置，并对跟踪器进行更新；最终根据响应图的峰值确定目标运动的偏差，找到目标位置进行跟踪。本发明基于KCF算法，通过和DSST算法相结合，并进行多特征融合。解决了无人机航拍视角下由于距离变化造成目标尺度改变的问题，实现了一种多特征融合、多尺度的相关滤波器跟踪方法。

技术领域

本发明涉及一种面向航拍改进KCF和DSST相结合的目标检测方法，属于计算机视觉技术领域。

技术背景

无人机(Unmanned Aerial Vehicle，UAV)有着多种优点，比如，操作简单、耗能低、机动性强，因此，它广泛应用于生活中的各种方面：电路巡检、地图测绘、搜索救援、军事侦察、交通管制、民用航拍。在搜索救援方面，当发生一些天灾时，比如地震、森林火灾，救援十分困难，可以让无人机进入受灾区域，观察周围环境，寻找受灾人群，避免救援者不必要的受伤；在日常的交通中，也可以用无人机观察道路拥挤情况，为市民做出合理的道路规划；在战场上，可以采用无人机监察敌情、巡视战场，在敌人的到来之前提前预警，实际上，在近些年的美国和其他国家的战争中，无人机发挥的作用不可忽视。因其体积小、隐蔽性强、反应快速、对作战环境要求低和能迅速到达现场等优势，在智能交通、地质勘探、军事制导、航空视觉导航等民用和国防领域发挥着重要的作用。目标跟踪能够极大增强无人机的自主飞行和监控能力，使得无人机能够适应更复杂多变的环境，完成更多复杂任务，是无人机视觉领域的重要研究内容。随着科学技术的迅猛发展，无人机已经成为了当代航空领域不可或缺的一份子。而在无人机执行这些任务时，最重要的就是其视觉系统。

目前的目标跟踪算法可分为生成式算法和判别式算法，其中以相关滤波为代表的判别式算法备受学者青睐。Henriques等人提出了核相关滤波器跟踪算法(KCF)，其具有高鲁棒性、高精确度、速度快等特点。但是，核相关滤波器仅仅使用了单一的HOG(Histogramof Oriented Gradient梯度方向直方图)特征，并且不能应对尺度变化。Li Y等人将CN(Color Names颜色名称)和FHOG(Fast Histogram of Oriented Gradient快速定向梯度图)特征融合，提出了尺度自适应滤波器SAMF(Scale Adaptive Multiple Feature尺度自适应多重特征)，其尺度估计的准确性依赖于定位器的准确性。Bertinetto L等人提出了尺度滤波器，先用CN提取目标特征，再对CN特征降维处理，然后线性加权CN和FHOG特征。Martin等人提出了C-COT(Continuous Convolution Operators连续卷积运算符)算法，提出了一个通用框架来学习连续空间域中的区分卷积算子，但是，跟踪速度大大下降。之后，Martin Danell-jan等人在目标特征提取上做了简化，把目标特征通过插值转换到连续的空间域，提出了ECO(Efficient Convolution Operators高效的卷积运算符)算法，改进了C-COT速度上的不足，但是沿用了DSST(区别尺度空间跟踪器)中的尺度估计策略，仍然未对尺度变化进行深入研究。

发明内容

本发明提出了一种面向航拍改进KCF和DSST相结合的目标检测方法。该方法基于KCF跟踪算法，在原有HOG特征基础上增加CN、HSV(Hue,Saturation,Value，色度的缩写)特征，训练多个滤波器，提高算法在复杂背景下的适应能力。最后引入尺度估计策略，将核相关滤波器和尺度滤波器的估计值融合得到目标的尺度和位置。有效解决了面向无人机的算法中由于背景复杂以及目标与无人机距离变化导致的目标尺度变化的问题。

本发明为解决其技术问题采用如下技术方案：

一种面向航拍改进KCF和DSST相结合的目标检测方法，包括以下步骤：