[发明专利]一种基于KCF算法的运动预测方法

说明书

本发明涉及一种基于核相关滤波KCF算法的运动预测方法，包括：在模板图像中选取四个以上非共线的点X1、X2、X3、X4；在模板图像中分别以所选取的点X1、X2、X3、X4为中心选取矩形块；根据模板图像与上一帧的图像位置关系确定所选取的点X1、X2、X3、X4在上一帧中的位置X1’、X2’、X3’、X4’作为当前帧的搜索中心点；在当前帧中分别以位置X1’、X2’、X3’、X4’为中心选取相应矩形块作为KCF算法的搜索区域；使用核相关滤波KCF算法在所述搜索区域中确定X1、X2、X3、X4在当前帧中的粗略位置X1”、X2”、X3”、X4”；使用匹配算法根据所述粗略位置X1”、X2”、X3”、X4”在以X1”、X2”、X3”、X4”为中心的矩形区域中进行匹配以确定X1、X2、X3、X4在当前帧中的精细位置X1”’、X2”’、X3”’、X4”’。

技术领域

本发明总体而言涉及图像处理领域，具体而言涉及一种基于KCF算法的运动预测方法。

背景技术

KCF(Kernel Correlation Filter核相关滤波算法)是一种鉴别式追踪方法，这类方法一般在追踪过程中训练一个目标检测器，然后使用目标检测器去检测下一帧预测位置是否是目标，随后再使用新检测结果去更新训练集进而更新目标检测器。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，因此越靠近目标的区域为正样本的可能性越大。KCF跟踪器对发生光照变化、遮挡、非刚性形变、运动模糊、背景杂乱等的视频均能跟踪良好，且速度较快。

KCF跟踪算法的主要特点有：

(1)使用目标周围区域的循环矩阵采集正负样本，利用脊回归训练目标检测器，并成功的利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量的Hadamad积，即元素的点乘，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。

(2)将线性空间的脊回归通过核函数映射到非线性空间，在非线性空间通过求解一个对偶问题和某些常见的约束，同样的可以使用循环矩阵傅里叶空间对角化简化计算。

(3)引进了多通道特征，减小光线变化影响。

尽管目前在既能满足运动跟踪效果要求，跟踪速度又非常快的方案中，KCF跟踪算法在目标预测跟踪应用中，要比利用传感器、建立多层金字塔等方法在速度、准确性和运动模糊等方面的效果要好。然而，由于KCF跟踪算法主要通过平移产生大量样本来得到每个样本离中心的距离，然后对目标进行学习跟踪，因此该方法对于在平移运动中模糊运动的目标的跟踪效果和速度比较理想，但是对于在运动中旋转的目标的预测效果不好，不能满足使用需求。

发明内容

本发明的任务是提供一种基于核相关滤波KCF算法的运动预测方法，通过该方法，既能够快速、准确地跟踪目标运动，从而快速、准确地预测目标运动趋势，又能解决目标运动模糊、旋转时跟踪不准确或失败的问题。

根据本发明，前述任务通过一种基于核相关滤波KCF算法的运动预测方法来解决，该方法包括下列步骤：

在模板图像中选取四个以上非共线的点X1、X2、X3、X4；

在模板图像中分别以所选取的点X1、X2、X3、X4为中心选取矩形块；

根据模板图像与上一帧的图像位置关系确定所选取的点X1、X2、X3、X4在上一帧中的位置X1’、X2’、X3’、X4’；

在当前帧中分别以位置X1’、X2’、X3’、X4’为中心选取相应矩形块作为KCF算法的搜索区域；

使用核相关滤波KCF算法在所述搜索区域中确定X1、X2、X3、X4在当前帧中的粗略位置X1”、X2”、X3”、X4”；