[发明专利]一种基于YOLOv3和改进KCF的目标跟踪方法

说明书

本发明公开了一种基于YOLOv3和改进KCF的目标跟踪方法，属于视频目标跟踪技术领域。其包括以下步骤：训练目标检测模型；特定目标检索，初始化目标跟踪器；获取目标跟踪预测位置；获取目标检测位置；确定目标当前位置。本发明将YOLOv3深度学习目标检测算法与KCF相关滤波目标跟踪算法相结合，充分发挥了检测算法的高准确率和跟踪算法的高实时性优势，有效减少了整体方案的运算量，提高了运算速度的同时降低了硬件需求，并提高了跟踪方法的抗干扰性，进一步提高了目标跟踪的成功率。

技术领域

本发明涉及视频目标跟踪技术领域，尤其涉及一种基于YOLOv3和改进KCF的目标跟踪方法。

技术背景

目标跟踪技术在军事制导、视觉导航、机器人、智能交通、公共安全等领域有着广泛的应用。例如，在车辆违章抓拍系统中，车辆的跟踪就是必不可少的。在入侵检测中，人、动物、车辆等大型运动目标的检测与跟踪也是整个系统运行的关键所在。

目标跟踪是指针对视频或图像序列中指定的目标进行检测与跟踪，从而获得目标的位置、速度和轨迹等信息。目前，常见的目标跟踪算法有YOLOv3算法(深度学习回归检测算法)和KCF算法(核相关滤波跟踪算法)。但是，由于图像常常存在光照条件变化、障碍物遮挡、目标尺度多变等问题，导致目标跟踪的效果不佳。这些问题都对目标跟踪算法的研究提出了挑战。因此，如何能够研究出稳定性高、准确率高、实时性高的目标检测和跟踪算法成为当前最为迫切的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于YOLOv3和改进KCF的目标跟踪方法，本方法充分利用了YOLOv3算法和改进KCF算法的优良性能，提高了跟踪算法的成功率和实时性，在复杂场景下表现出较强的鲁棒性。

为了实现上述目的，本发明采用的技术方案为：

一种基于YOLOv3和改进KCF的目标跟踪方法，其包括以下步骤：

步骤1：在线下收集图片并进行特定目标人工标注，形成训练数据集，使用训练数据集对YOLOv3深度学习模型进行训练，获得目标检测模型；

步骤2：使用训练好的目标检测模型检测特定目标，获取目标位置及尺度信息，初始化KCF目标跟踪器，并对其进行训练；

步骤3：采用改进KCF算法对特定目标进行跟踪，获取预测位置；

步骤4：在完成位置预测后，以当前帧目标位置为中心，获取2.5倍目标尺度的区域作为样本区域；在当前帧提取样本区域图像，将该区域图像作为YOLOv3目标检测模型的输入图像，进行特定目标检索，并经过图像拼接得出精确的目标检测位置及尺度信息；

步骤5：计算当前帧图像中特定目标的检测位置与预测位置的交并比，如果交并比小于预设阈值，则用目标检测位置作为当前帧目标位置，否则用预测位置作为当前帧目标位置；使用当前帧目标位置及尺度信息更新KCF目标跟踪器；

步骤6：对下一帧图像重复步骤3～步骤5，实现对视频目标的跟踪。

进一步的，所述YOLOv3深度学习模型中，取消YOLOv3在原3个尺度上的输出检测，利用输出的4倍降采样特征融合目标检测层对目标进行检测。

进一步的，所述步骤2中，使用当前帧图像、特定目标的位置及尺度信息初始化KCF目标跟踪器，然后采用循环矩阵的方法获取大量的正负样本，从而对KCF目标跟踪器进行训练。

进一步的，所述步骤3的具体方式为：

步骤3.1：读取下一帧图像，在检测区域提取Hog特征，通过KCF目标跟踪器获取响应图及响应峰值F_max；