[发明专利]基于KCF的目标尺寸自适应的目标跟踪方法及系统

说明书

本发明公开了基于KCF的目标尺寸自适应的目标跟踪方法及系统，属于人工智能视频分析领域，本发明要解决的技术问题为监控场景中运动目标尺寸变化大导致的跟踪丢失以及运动目标跟踪速度慢，采用的技术方案为：该方法具体如下：初始化：完成KCF目标根据算法的快速分类器初始化：读取视频序列中的帧图像数据，并提取帧图像数据中的待跟踪目标的图像块；构建循环样本矩阵：使用待跟踪目标周围区域的循环矩阵密集采集正负样本，作为分类器的训练样本；提取样本LBP特征：基于LBP特征提取方法提取样本图像的LBP特征向量，用于快速分类器训练；快速分类器训练：利用构造的样本训练快速分类器；快速目标检测；更新图像块。

技术领域

本发明涉及人工智能视频分析领域，具体地说是一种基于KCF的目标尺寸自适应的目标跟踪方法及系统。

背景技术

近年来，随着对智能交通、明厨亮灶、智慧园区等安防场景的需求越来越多，加快了视频监控系统的建设，同时基于视频监控数据对各类场景中的重点目标和行为进行捕获的需求也日益强烈。比如明厨亮灶场景就有是否佩戴口罩的检测、是否佩戴厨师服和厨师帽的识别、老鼠检测、抽烟等行为识别以及特定区域的人员身份识别等视频分析需求。对于目标类的检测和识别因目标会存在一段时间而容易出现重复报警的问题；而行为类的识别则通常需要经过一段时间的判定，比如入侵检测就需要判定有入侵的过程才是有效的入侵检测判定。因此，需要对目标及与行为关联的目标实现目标跟踪，即关联前后帧图片中的同一个目标。和目标检测一样，目标跟踪也是计算机视觉中的基本需求，在很早以前便有很多研究人员对目标跟踪进行技术研究，从最早期的均值漂移算法到现在基于深度学习的跟踪方法，涌现出了很多思想新颖、逻辑严密且效果良好的跟踪方法，如Deep Sort、GOTURN、KCF等。这里对目前较为常用的几种跟踪方法具体如下：

(一)Deep Sort是多目标跟踪算法：基本思想是tracking-by-detection，利用运动模型和外观信息进行数据关联，运行速率主要由检测算法所决定(测试过一帧需要52ms,其中检测就占了39ms)。算法对每一帧进行目标检测，后续通过带权值的匈牙利匹配算法对之前的运动轨迹和当前检测对象进行匹配，形成物体的运动轨迹。权值由点和运动轨迹的马氏距离及图像块的相似性(这里用向量的余弦距离)加权求和得到。kalman滤波在计算马氏距离时，用于预测运动分布的协方差矩阵。

(二)GOTURN是第一个做到100FPS的深度学习目标跟踪算法：其核心在于不对patch进行classification，而是对object的bounding-box进行回归，以获得更高的FPS。两种假设：网络比较前后两帧，并找到目标在当前帧的位置，有点verification的意思；网络就像一个通用的object detector，找到最近的目标。当当前帧出现较为严重的遮挡/相机运动，此时tracker可以从前一帧中获得非常大的性能提升，因为tracker记住了哪个objcet是要跟踪的，这种情况中，第一个假设扮演了重要的角色。而当帧间变化剧烈时，相邻帧的比较更为困难，此时假设二占主导，tracker表现的像一个通用object detector。

(三)KCF全称为Kernel Correlation Filter核相关滤波算法，是一种鉴别式追踪方法，即这类方法一般都是在追踪过程中训练一个目标检测器，使用目标检测器去检测下一帧预测位置是否是目标，然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本，目标的周围区域为负样本，当然越靠近目标的区域为正样本的可能性越大。