[发明专利]一种融合SLIC算法的KCF长期手势跟踪方法

说明书

本发明公开了一种融合SLIC算法的KCF长期手势跟踪方法，包括步骤：1）构建手势训练数据集，提取并离线训练超像素块的SVM模型，得到手势检测的粗分类模型；2）构建前景‑背景词典，通过结合FHOG特征和CN特征设计KNN算法的相似度函数，从而完成手势检测的细分类；3）通过手势检测的粗分类模型和手势检测的细分类得到手势检测模型，使用手势检测模型检测目标，得到目标手势的检测框；4）使用设计好的目标尺度估计器，估计最适的目标手势的矩形框；5）设计置信度函数，通过比较当前帧和上一帧跟踪的结果的相似度来确定当前跟踪结果是否可信实现手势跟踪。本发明算法复杂度低，跟踪精度高，鲁棒性强，适合实时的应用场合。

技术领域

本发明涉及手势识别技术，更具体的涉及一种融合SLIC算法的KCF长期手势跟踪方法。

背景技术

手势识别技术是一直是一个研究的热点，而手势跟踪是手势识别技术的一个重要部分。手势跟踪一般分类两类，一是短期跟踪，即是只考虑一段较短时间内目标的移动跟踪情况，如KCF、DSST、MOSSE等算法；二是长期跟踪，即是能够在很长的一段时间内都能较好的跟踪目标。

KCF目标跟踪算法是一种鉴别式的相关滤波算法，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。KFC目标跟踪算法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性质将矩阵的运算转化为向量的Hadamad积，即元素点乘，大大降低了运算量，提高了运算速度。KFC目标跟踪算法对于非线性的情况，他将线性空间的脊回归通过和函数映射到非线性空间，在非线性空间中求解一个对偶问题和某些常见的约束，同样利用了循环矩阵傅里叶空间对角化性质简化计算。

KCF算法在一定程度上是一种较优的实时算法，但是它依然存在以下几个问题：

1、KCF算法依赖循环矩阵和其初始化矩阵不能自适应改变，因而，KCF算法对于多尺度目标跟踪效果并不是很理想；

2、KCF算法对于高速运动目标和低帧率中的目标的跟踪能力有所欠缺，这个原因是由于相邻帧间目标位移过大，超出了KCF算法的搜索范围；

3、KCF算法在目标被遮挡若干帧后，难以继续跟踪目标。

发明内容

针对上述技术问题，本发明的目的在于提供一种融合SLIC算法的KCF长期手势跟踪方法。

为实现上述目的，本发明采用的技术方案包括：

一种融合SLIC算法的KCF长期手势跟踪方法，包括以下步骤：

1)构建手势训练数据集，通过SLIC算法提取图片的超像素块，离线训练超像素块的SVM模型，得到手势检测的粗分类模型；

2)从手势训练数据集中提取各种手势图片的前景和背景，构建前景-背景词典，通过结合FHOG特征和CN特征设计KNN算法的相似度函数，从而完成手势检测的细分类；

3)通过所述手势检测的粗分类模型和手势检测的细分类得到手势检测模型，使用手势检测模型检测目标，得到目标手势的检测框；使用目标手势的检测框初始化KCF滤波器，然后使用KCF滤波器估计下一帧的目标手势，所述KCF滤波器采用FHOG特征和CN特征作为输入；

4)使用设计好的目标尺度估计器，估计最适的目标手势的矩形框，目标尺度估计器采用FHOG特征和CN特征作为输入；