[发明专利]一种基于KCF的改进型抗遮挡目标跟踪方法

说明书

本发明公开一种基于KCF的改进型抗遮挡目标跟踪方法，包括以下步骤：步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；步骤2，初始化自适应搜索窗口阈值法；步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；步骤4，将获取的最大响应与预设阈值进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；步骤5，若上步判别输出位置及尺度为遮挡时，使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之使用KCF跟踪器的输出结果作为当前帧目标位置。

技术领域

本发明属于图像处理目标跟踪技术领域，尤其涉及一种基于KCF的改进型抗遮挡目标跟踪方法。

背景技术

随着机器视觉和人工智能的蓬勃发展，视频跟踪技术作为人机交互，无人驾驶等前沿技术的基础，被广泛的关注和研究。至今已有很多算法被提出，但无一能够完全解决诸如跟踪速度，光照变化，复杂背景和目标遮挡问题。

现有技术中公告号为CN107657630A的一项中国专利公开了一种基于KCF的改进型抗遮挡目标跟踪方法，该技术方案采用KCF算法和卡尔曼滤波器相结合的方式，通过设计一种有效的判别目标跟踪的算法，当判定目标发生严重遮挡时，使用卡尔曼滤波器的预测结果作为当前帧目标位置，并持续使用卡尔曼滤波器进行检测，直到KCF响应结果高于阈值，切换至KCF算法进行跟踪，否则使用KCF跟踪算法检测结果作为当前帧目标位置。该技术方案能够实现目标短时遮挡的跟踪，但该技术方案仍有以下缺陷：(1)卡尔曼滤波器是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，当运动目标长时间被遮挡时会存在目标跟踪丢失的情况，不适用于运动目标长时遮挡的跟踪；(2)该技术方案采用KCF和卡尔曼滤波器结合的方法，该方法通常采用传统的固定尺寸搜索窗口标定目标，该方法使用一个固定阈值贯穿在整个视频序列，没有考虑到当前帧中目标相对整个图像的大小状况，在目标做复杂运动时极易跟丢目标。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于KCF的改进型抗遮挡目标跟踪方法，其采用KCF算法和卷积神经网络算法相结合的方式，实现了当前帧目标识别不受前帧图像的影响，提高了系统对运动目标长时遮挡的跟踪性能，进一步的，提出一种自适应搜索窗口阈值法，其通过每帧图像中目标像素与图像像素的比值与阈值大小的比较，从而选择不同尺寸的搜索框，实现了搜索框尺寸的自适应，提高了系统对复杂运动目标的跟踪精度。

本发明的目的是通过以下技术方案实现的：

一种基于KCF的改进型抗遮挡目标跟踪方法，包括以下步骤：

步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；

步骤2，初始化自适应搜索窗口阈值法；

步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；

步骤4，将步骤3中获取的最大响应与预设阈值进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；

步骤5，若步骤4判别输出位置及尺度为遮挡时，则使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之则使用KCF跟踪器的输出结果作为当前帧目标位置。

进一步的，步骤1具体包括以下步骤：

步骤1.1，获取训练样本集中的目标视频图像，并对所述目标视频图像中的目标进行标注，将标注后的目标视频图像作为训练数据；

步骤1.2，采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征；