[发明专利]基于多级自适应KCF的遥感目标跟踪方法及电子设备

说明书

基于多级自适应KCF的遥感目标跟踪方法及电子设备，方法包括：输入采集到的视频序列帧，对单通道灰度图像进行自适应处理；对框选目标初始化的当前帧视频图像，根据目标位置确定搜索区域，提取区域内的FHOG和LAB特征；计算自相关矩阵，更新模型参数，对目标参数初始化作为后续帧跟踪的初始模板；对后续帧图像，根据目标位置和上一帧响应最大值，自适应确定是否应用改进的上下文信息抑制方法，并提取相应搜索区域的特征；计算互相关矩阵，检测到响应值最大的位置，更新当前帧的目标位置，根据该位置确定新的搜索区域，提取该区域内的相应特征，根据响应最大值自适应的对模板尺寸进行调整；计算自相关矩阵并更新模型参数，用于下一帧图像的跟踪。

技术领域

本发明涉及图像处理的技术领域，尤其涉及一种基于多级自适应KCF的遥感目标跟踪方法，以及基于这种基于多级自适应KCF的遥感目标跟踪方法的电子设备。

背景技术

近些年来，人工智能相关技术在各个领域快速发展，其中遥感目标跟踪作为典型应用，在违法人员抓捕、港口监测、要地防护等领域都具有非常高的应用价值，国内外的众多学者也提出了许多目标跟踪方法。然而，遥感视频的图像分辨率相对较低，周围易存在多个相似干扰，且在实际应用过程中，主流的跟踪方法通常时效性不高，难以在嵌入式设备中实现高时效性的跟踪任务。因此，如何更好的平衡跟踪精度和时效性成为了该技术在应用过程中的主要难点。

目前主流的目标跟踪方法可以分为两类：传统相关滤波类目标跟踪方法、基于深度卷积网络的跟踪方法。传统相关滤波类目标跟踪方法通过滤波模板和图像序列做卷积运算来定位目标位置，具有较高的跟踪速度。然而，此类方法的缺点是长时遮挡、相似背景干扰和快速尺度变化的情况下无法有效的跟踪目标。基于深度卷积网络的跟踪方法在跟踪过程中可以保持较高的跟踪准确率，如Dongyan Guo等人于在其论文“SiamCAR:SiameseFully Convolutional Classification and Regression for Visual Tracking”中提出了一种孪生分类和回归网络框架，Zedu Chen等人在其论文“Siamese Box AdaptiveNetwork for Visual Tracking”中将目标跟踪看作是一种并行分类和回归问题，使跟踪方法更具有灵活性。然而，此类方法难以在各类嵌入式平台中实际应用，因为其通常具有复杂的计算过程和大量的模板更新机制。

近些年来，一种基于相关滤波类的跟踪方法——核相关滤波(KernelizedCorrelation Filters，KCF)能够在保证时效性的前提下，较好完成多种场景下的目标跟踪任务。KCF跟踪方法通过目标样本来训练一个判别式的分类器，判断方法跟踪到的是目标还是背景信息，主要使用循环矩阵对目标样本进行采集，使用快速傅里叶变化FFT对方法进行加速处理操作。然而，遥感视频图像中的目标通常较小，且周围存在较多的易混干扰物，同时在实际遥感应用场景中，目标尺寸或大或小，采用固定的模板尺寸会严重影响跟踪时效性，造成大量的运算成本。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于多级自适应KCF的遥感目标跟踪方法，其能够维持后续提取特征过程的一致性，自适应判断对背景信息是否进行抑制，可以对模板尺寸进行自适应的调整，在保证跟踪准确率的前提下提升跟踪时效性，在各种嵌入式平台更具有实用性。

本发明的技术方案是：这种基于多级自适应KCF的遥感目标跟踪方法，其包括以下步骤：

(1)输入采集到的视频序列帧，对单通道灰度图像进行自适应处理，当判定读取图像为单通道时，经过通道融合处理变为三通道图像；

(2)对于框选目标初始化的当前帧视频图像，根据目标位置确定搜索区域，提取区域内的FHOG特征和LAB特征；

(3)根据步骤(2)得到的特征计算自相关矩阵，更新模型参数，用于对目标参数的初始化，作为后续帧跟踪的初始模板；