[发明专利]一种基于视觉的物体跟踪方法

说明书

本发明是一种基于视觉的长时间物体追踪方法，步骤包括：对于手机采集的每一帧图像作为输入，由用户框选待跟踪的目标，运行多尺度KCF跟踪器。跟踪过程中由峰值旁瓣比计算跟踪置信度，在高置信度时更新跟踪滤波器模型。当置信度小于一定阈值时，证明跟踪物体受到遮挡，此时运行YOLO检测过程。YOLO检测出多个备选目标，此时根据已学习的跟踪滤波器模型与备选目标作精检测，得到响应值最大的即为跟踪目标。本方法跟踪目标准确，实时性好。

技术领域

本发明涉及物体跟踪方法，尤其涉及一种基于视觉的物体跟踪方法。

背景技术

运动目标追踪是计算机视觉领域的研究重点问题之一，在很多场合都具有重要的应用，结合三轴稳定云台实现跟踪控制功能是其应用场合之一。目前运行速度快且效果较好的跟踪方法是核相关滤波器算法KCF，以及添加了尺度自适应功能的DSST算法。KCF使用目标周围区域的循环矩阵采集正负样本，利用岭回归训练目标检测器，利用循环矩阵在傅里叶空间可对角角化的性质将矩阵的运算转化为点乘运算，大大降低了运算量，提高了运算速度，使算法满足实时性要求。

KCF跟踪算法存在的缺陷是模型随时间漂移，不能很好的适应如遮挡、光照变化大、背景干扰较大等情况，只能作为短时间跟踪滤波器使用，需要结合检测模块，在跟踪失效的时候可以重置跟踪模块的矩形框。检测过程一般耗时较长，因为要对整张图片作搜索处理理。一般采用的方法是像TLD算法一样的跟踪-检测方案，单独训练一个分类器用于检测，实时计算相关滤波器跟踪过程中的置信度，如最大响应值，峰值旁瓣比等，在高置信度时更新跟踪结果及相关滤波器模型，同时更新检测模块的正负样本，低置信度时，运行检测模块检测出目标后继续跟踪。

上述做法的缺点是：1、模型更新过程与跟踪结果更新是一起的，不能很好地保证既能减少模型漂移，又能尽可能跟上目标；2、跟踪过程运行时，要同时单独训练一个检测分类器，增加了较多的计算负担，使算法实时性下降；3、检测过程采用滑窗法，效率低下且若跟踪模型已经漂移，容易检测到错误目标并跟踪。

YOLO(You only look once)检测方法是一种端到端的物体检测器，通过空间的分割成边界框和相应类别的概率，采用单独的网络直接从整个图像预测边界框和类别的概率。通过在Pascal VOC(一种评估图像分类、检测、分割的数据集)上训练模型，可检测出20余种常用的对象，如人、动物、交通工具、室内物体等。

结合YOLO检测器和KCF跟踪滤波器可以实现更好的常见物体跟踪。与现有技术相比，本发明的优点是：高置信度更更新跟踪滤波器大大降低了滤波器漂移；跟踪过程中不需要训练单独的分类器提高实时性；运行深度学习神经网络做物体检测，得到更加精确的检测结果，受跟踪模型漂移的影响更小。

发明内容

鉴于上述问题，为了克服现有技术的不足，本发明提供一种跟踪精确性更好的基于视觉的物体跟踪方法。

一种基于视觉的物体跟踪方法，包括如下步骤：

S1：用户框选待跟踪目标后运行跟踪过程，实时计算跟踪过程中的峰值旁瓣比PSR，当PSR大于阈值τ1时，启动KCF跟踪和KCF检测过程，更新跟踪结果及相关滤波器模型，当PSR在τ1和τ2之间时，只更新跟踪结果，不更新相关滤波器模型，当PSR小于τ2时，不执行跟踪过程，运行检测模块；

S2：、跟踪过程中不训练单独的分类器用于检测模块；

S3：检测时运行YOLO检测器，检测出图像中所有可能包含的20种常用对象作为进一步检测的输入；

S4：将检测结果与跟踪滤波器模型作叉乘，当结果大于阈值P时，更新跟踪结果，并停止运行检测器。

进一步地，所述KCF跟踪过程包括如下步骤：

S11、在It帧中，在当前位置pt附近采样，训练一个回归器，所述回归器用于计算一个小窗口采样的响应；