[发明专利]一种针对目标遮挡改进的KCF跟踪算法

说明书

本发明属于图像处理技术领域，具体涉及一种针对目标遮挡改进的KCF跟踪算法。通过对KCF跟踪算法的改进，提升原算法的抗遮挡性，提高了算法的跟踪精度与成功率。该算法加入目标遮挡判定方法，跟踪失败判定方法，模板匹配目标重定位算法，提升原KCF跟踪算法的抗遮挡性。使用Benchmark数据集，以及自己拍摄的小车视频，对改进算法进行验证。由实验结果可知，本发明算法针对遮挡视频序列具有更强的鲁棒性。

技术领域

本发明属于图像处理技术领域，具体涉及一种针对目标遮挡改进的KCF跟踪算法。通过对KCF跟踪算法的改进，提升原算法的抗遮挡性，提高了算法的跟踪精度与成功率。

背景技术

目标跟踪是视觉领域一个重要的研究方向，随着社会进步与科技的发展，目标跟踪技术已经被广泛应用在行为识别、交通监控、导航制导、武器装备等重要领域。近年来，目标跟踪技术取得了巨大的进步与发展，然而由于现实中各种复杂的因素，比如快速运动的物体，复杂的背景，物体的形变以及严重的遮挡问题，没有一种算法可以处理所有应用场景，所以目标跟踪技术仍然是一个具有挑战性并受到广泛研究的课题。

Bolme等提出了MOSSE算法，该算法开启了相关滤波器的大门，提出以滤波器相关的形式来获取输出响应，进而获得最大响应处的位置即我们期望跟踪的目标中心位置，算法只需要一个目标区域样本图像用来训练目标的外观模型，采用离散傅里叶变换将目标与所有候选区域之间的相似度转换到频域，大大提升了算法的跟踪速度。Henriques等提出了循环结构的检测跟踪(CSK)算法，该算法对训练样本进行循环移位，可近似看成对目标的密集采样，从而得到大量训练样本对分类器进行训练。此外，对候选图像块采用循环移位的操作，构造大量候选图像块区域用于分类器的检测过程。算法的亮点在于，分类器的训练与检测过程，都可利用离散傅里叶变换，在频域下实现快速的计算，大大提升了跟踪算法的处理速度。Danelljan等提出了自适应颜色属性视觉跟踪(CN)算法，该算法在CSK跟踪算法的基础上加入了颜色特征，并采用自适应降维技术，将11维的颜色特征向量降到2维，实现了自适应颜色跟踪。Zhang等提出时空上下文跟踪(STC)算法，该算法采用深度时空上下文信息，将目标周围的背景信息加入到卷积滤波器模型的训练当中，用来减弱部分遮挡对目标的影响。Henriques等在(CSK)的基础上提出核相关滤波器(KCF)跟踪算法，使用霍夫(HOG)方向梯度直方图特征代替原来的灰度值特征，将核相关滤波器由单通道扩展到多通道，显著提升了跟踪的性能。但是传统KCF跟踪算法抗遮挡能力较差，当跟踪目标被遮挡时很容易产生跟踪漂移或者跟踪失败的现象，且跟踪失败后目标无法被再次找回，所以提出一种改进的算法来提升KCF的抗遮挡性。

发明内容

针对现有技术的不足之处，本发明提出了一种针对目标遮挡改进的KCF跟踪算法，该算法在传统的KCF跟踪算法上加入了遮挡判定算法与目标跟踪失败的检测算法来提升原算法的抗遮挡性。

为实现上述目的，本发明采用如下技术方案：

针对目标遮挡改进的KCF跟踪算法，它包括，

S1、跟踪目标获取，初始化跟踪器，读取视频信息，以视频第一帧图像以及跟踪目标框初始化目标跟踪器，采用循环矩阵的方法获取大量的样本，训练分类器；

S2、判断跟踪目标是否被遮挡，如果跟踪目标被遮挡，则转到步骤S3，否则转到步骤S6；

S3、判断是否严重遮挡，如果是，则转到步骤S4，否则转到步骤S5；

S4、判断是否跟踪失败，如果跟踪失败，则重新定位跟踪目标，并初始化跟踪器，并转到步骤S6，否则转到步骤S5；

S5、停止分类器训练；

S6、继续跟踪目标。

本技术方案进一步的优化，所述步骤S2中采用使用分类器的响应峰值判断目标是否被遮挡，当分类器的响应峰值不小于预设值a时，未发生遮挡，否则发生遮挡。