[发明专利]一种基于时空显著性的双核KCF目标跟踪方法

说明书

本发明提供了一种基于时空显著性的双核KCF目标跟踪方法，包括如下步骤：S1、提取目标区域，利用视觉显著性模型提取显著区域；S2、分别提取目标框和显著框的HOG特征来训练滤波器的参数；S3、基于岭回归分类器的分类分别计算目标框和显著框的滤波器的响应分布图y^k和y^s，其中max(y^k)和max(y^s)对应的坐标位置即为目标框的位置和显著框的位置S4、基于当前帧与前一帧的位置坐标计算出目标框和显著框的偏移量对其进行加权平均数得到新的偏移量值作为目标框的矫正偏移量；S5、通过前一帧的位置和目标框的矫正偏移量，得到当前帧矫正后的目标位置本发明基于现阶段速度和准确性都比较好的KCF算法原理，有效解决了目标跟踪漂移问题。

技术领域

本发明涉及目标跟踪领域，尤其涉及一种基于时空显著性的双核KCF目标跟踪方法。

背景技术

目标跟踪是计算机视觉中最活跃的研究领域之一，它被广泛用于运动分析、行为识别、监控及人机交互等方面。当前目标跟踪技术的研究取得了很大进步,涌现出了诸多跟踪算法。目前主流的跟踪算法主要分为两类：

一类是基于深度学习的跟踪算法，该类算法主要基于深度神经网络框架进行学习。深度神经网络由于其在图像特征提取方面具有强大的学习功能，因此被应用于目标跟踪中。例如基于全卷积神经网络的目标跟踪方法，不仅将CNN作为特征提取的工具，而且离线预先训练大量图像数据，等等。但是目前深度学习的跟踪算法因为具有庞大的网络规模和训练数据的缺乏，计算速度跟不上，从而导致它在实时性方面表现不佳。

另一类是基于相关滤波的跟踪算法，该算法通过对初始帧进行训练获得相关滤波器对目标外观进行建模,并通过傅里叶变换在频域寻找相邻帧目标的最大相关性,从而实现目标的有效跟踪。当目标和背景颜色相近、目标几何尺度变化较大时,相关滤波算法具有较好的目标跟踪鲁棒性。但是相关滤波算法运算量大,对长视频目标跟踪计算效率低。

为此,Henriques等人提出一种核相关滤波器跟踪算法(KCF),将相关滤波由单通道扩展到多通道,提升了跟踪的性能，很好的解决了深度学习计算速度跟不上的问题，就现阶段而言，在众多的跟踪算法中速度和准确性都比较好。然而，KCF算法采用线性插值方式对目标模型进行更新,造成跟踪过程中产生的目标表观信息偏差不断积累,产生目标漂移,从而易导致后续帧目标跟踪精度下降。另外,KCF算法采用单一的HOG特征,虽然能较好的捕捉目标的轮廓,但在目标被遮挡情况下,易导致目标漂移跟踪失效。

发明内容

本发明基于现阶段速度和准确性都比较好的KCF算法原理，针对目标跟踪漂移问题，提出了一种基于时空显著性的双核KCF目标跟踪方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于时空显著性的双核KCF目标跟踪方法，包括如下步骤：

S1、提取目标区域，利用视觉显著性模型提取显著区域；

S2、分别提取目标框和显著框的HOG特征来训练滤波器的参数；

S3、基于岭回归分类器的分类分别计算目标框和显著框的滤波器的响应分布图y^k和y^s，其中max(y^k)和max(y^s)对应的坐标位置即为目标框的位置和显著框的位置

S4、基于当前帧与前一帧的位置坐标计算出目标框和显著框的偏移量对其进行加权平均数得到新的偏移量值作为目标框的矫正偏移量；

S5、通过前一帧的位置和目标框的矫正偏移量，得到当前帧矫正后的目标位置

进一步的，步骤S1具体包括：