融合TLD和KCF的视频目标跟踪方法技术

本发明专利技术公开了一种融合TLD和KCF的视频目标跟踪方法，包括如下步骤：确定初始目标帧中目标区域位置和大小，同时将初始帧输入到TLD算法模块和KCF算法模块中；TLD算法模块和KCF算法模块并行运行，如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出，则把该输出作为当前帧的跟踪结果；如果两个跟踪模块都有跟踪目标输出，则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk，选择St和Sk中最大者作为目标跟踪结果；通过上述方法进行下一帧视频处理，直至视频帧跟踪结束。所述方法能够克服TLD算法和KCF算法单独使用时的不足，对复杂视频场景的目标跟踪具有广泛适应性，同时保持了目标跟踪算法的实时性。

【技术实现步骤摘要】
融合TLD和KCF的视频目标跟踪方法
本专利技术涉及视频图像处理方法
，尤其涉及一种融合TLD和KCF的视频目标跟踪方法。
技术介绍
目标跟踪是在已知目标先验信息的情况下，在视频序列中持续获取目标运动状态的过程，是计算机视觉领域具有挑战性的研究难点之一，已经被广泛地应用于国防和民用的各个领域，如智能监控、人机交互、医学诊断、导航制导等。尽管近年来视频跟踪技术已经取得了很多的研究成果，但是鲁棒的视觉跟踪仍是一项巨大挑战。视频跟踪的难点主要在于目标模板难以精确表达、目标运动模式复杂、目标的形变和尺度变化、目标遮挡以及背景干扰、目标检测与跟踪的实时性要求高等。TLD(Tracking-Learning-Detection)算法是由Kalal等人提出的一种目标跟踪算法，该算法将检测与跟踪相结合，而不是传统的单纯的检测或跟踪机制，同时引入在线学习策略，实现了对目标的长时跟踪，对目标存在的遮挡、丢失以及目标运动过程中形变等情况具有较好的适应性，算法具有较高的实时性。TLD主要由3部分组成：跟踪模块、检测模块、学习模块，其算法结构如图1所示。跟踪模块是一个短时的中值流跟踪器，在帧间运动变化不大、目标持续可见的条件下，完成目标在帧间运动的估计，得到目标的运动轨迹；检测模块是由3个分类器组成的级联分类器，通过合理的提取图像特征，训练分类器，实现了对目标区域的实时检测；学习模块对跟踪模块和检测模块的性能进行评估，根据评估结果对检测模块进行更新训练，提升检测模块的性能。TLD算法的完整运行过程为：在视频目标的初始帧，给出待跟踪目标的位置区域，以目标和背景区域初始化TLD算法各个模块。接下来，跟踪模块和检测模块各自独立对视频帧进行处理。跟踪模块根据前一帧中的目标位置信息估计目标在当前帧中的位置信息。检测模块利用扫描框对当前帧进行检测，检测出目标可能存在的区域。跟踪模块和检测模块的处理结果共同输入到融合处理模块，在该模块中对跟踪和检测模块的处理结果进行分析，并将分析结果输入到学习模块，用于对跟踪模块和检测模块的更新，降低跟踪模块和检测模块的误差。KCF(KernelizedCorrelationFilter)算法是由Henriques等提出的一种快速训练、快速检测的高速目标跟踪方法，其核心思想是利用跟踪目标区域的循环移位构造大量的训练样本，以这些样本训练分类器。通过计算分类器得到的目标候选区域与跟踪目标之间的相似性，选取具有最大相似性的候选区域作为新的跟踪目标，此过程迭代进行直到完成目标跟踪。为了提高算法效率，将循环矩阵应用于岭回归，用DFT进行对角化实现了处理转换的快速算法，使得岭回归在傅立叶域得到了简单的解析解，大大降低了算法的复杂度。同时，在线性回归的基础上引入核函数，结合循环矩阵推导出一种快速的核函数计算方法。在单通道图像的基础上，推导了多通道图像的模型求解。尽管TLD算法和KCF算法在多个视频数据集的测试中取得了良好的效果，但是它们各自应用于实际复杂场景的目标跟踪时还是存在明显的不足。如TLD算法的跟踪器稳定性不高，在存在复杂背景干扰时易跟踪失败。KCF算法不能很好的处理目标被遮挡以及目标发生形变的情况。
技术实现思路
本专利技术所要解决的技术问题是如何提供一种能够克服TLD算法和KCF算法单独使用时的不足，对复杂视频场景的目标跟踪具有广泛适应性，同时保持了目标跟踪算法的实时性的视频目标跟踪方法。为解决上述技术问题，本专利技术所采取的技术方案是：一种融合TLD和KCF的视频目标跟踪方法，其特征在于包括如下步骤：确定初始目标帧中目标区域位置和大小，同时将初始帧输入到TLD算法模块和KCF算法模块中；TLD算法模块和KCF算法模块并行运行，分别输出当前帧中目标跟踪结果；如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出，则把该输出作为当前帧的跟踪结果；如果两个跟踪模块都有跟踪目标输出，则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk，选择St和Sk中最大者作为目标跟踪结果；通过上述方法进行下一帧视频处理，直至视频帧跟踪结束。进一步的技术方案在于：在目标视频的初始帧，给定目标区域窗口位置和大小，确定待跟踪目标的信息。进一步的技术方案在于，在TLD算法模块中，对其中的跟踪模块、检测模块、学习模块进行初始化，其中，跟踪模块的初始化包括获取待跟踪目标区域的特征点；检测模块的初始化包括通过扫描初始帧，获得训练分类器的图像片样本p；学习模块初始化包括获得初始目标模型，其中+上标表示正样本，-号上标表示负样本；KCF算法模块初始化包括对初始帧目标循环移位构造正样本和负样本，用于训练分类器。进一步的技术方案在于，TLD算法模块对当前帧进行处理的方法如下：TLD算法模块中的跟踪模块利用中值流方法完成对目标的跟踪，检测模块利用级联分类器完成对视频帧中目标的检测；跟踪结果和检测结果输入集成模块，比较检测结果和跟踪结果，选取它们中的较优者，将集成模块的结果输入学习模块；学习模块利用P-N学习模型对集成模块输出的结果进行学习，并将学习信息输入到跟踪模块和检测模块，对它们的误差进行优化；输出跟踪结果。进一步的技术方案在于，所述KCF算法模块对当前帧进行处理的方法如下：利用初始化得到的训练样本训练正则化最小二乘分类器；计算候选目标区域与跟踪目标的相似度，选取最大相似度的候选区域作为跟踪到的目标；输出跟踪结果。进一步的技术方案在于：KCF算法模块的跟踪输出结果先保存在一个输出图像链表K中，K＝{k1,k2...,kn}，其中ki表示输出的跟踪图像帧，链表中的图像为先后顺序存入，k1为最先存入链表中的图像帧。采用上述技术方案所产生的有益效果在于：所述方法克服了单独使用TLD算法时存在的跟踪器稳定性不高，在复杂背景干扰条件下易跟踪失败的问题，以及单独使用KCF算法时存在的对遮挡目标易跟踪失败的问题，对复杂场景的目标跟踪具有更广泛的适应性。在提高跟踪稳健性的同时，保持了算法的实时性，能够适应实际场景下的目标跟踪需要。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术实施例所述方法中TLD算法的框架结构图；图2是本专利技术实施例所述方法的框架结构图；图3是本专利技术实施例所述方法的流程图；图4是本专利技术实施例所述方法中TLD算法模块的运行子步骤流程图；图5是本专利技术实施例所述方法中KCF算法模块的运行子步骤流程图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。总体的，如图2和图3所示，本专利技术实施例公开了一种融合TLD和KCF的视频目标跟踪方法，包括如下步骤：S101：确定初始目标帧中目标区域位置和大小，同时将初始帧输入到TLD算法模块和KCF算法模块中；S102：TLD算法模块和KCF算本文档来自技高网...

【技术保护点】
1.一种融合TLD和KCF的视频目标跟踪方法，其特征在于包括如下步骤：确定初始目标帧中目标区域位置和大小，同时将初始帧输入到TLD算法模块和KCF算法模块中；TLD算法模块和KCF算法模块并行运行，分别输出当前帧中目标跟踪结果；如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出，则把该输出作为当前帧的跟踪结果；如果两个跟踪模块都有跟踪目标输出，则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk，选择St和Sk中最大者作为目标跟踪结果；通过上述方法进行下一帧视频处理，直至视频帧跟踪结束。

【技术特征摘要】
1.一种融合TLD和KCF的视频目标跟踪方法，其特征在于包括如下步骤：确定初始目标帧中目标区域位置和大小，同时将初始帧输入到TLD算法模块和KCF算法模块中；TLD算法模块和KCF算法模块并行运行，分别输出当前帧中目标跟踪结果；如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出，则把该输出作为当前帧的跟踪结果；如果两个跟踪模块都有跟踪目标输出，则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk，选择St和Sk中最大者作为目标跟踪结果；通过上述方法进行下一帧视频处理，直至视频帧跟踪结束。2.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法，其特征在于：在目标视频的初始帧，给定目标区域窗口位置和大小，确定待跟踪目标的信息。3.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法，其特征在于：在TLD算法模块中，对其中的跟踪模块、检测模块、学习模块进行初始化，其中，跟踪模块的初始化包括获取待跟踪目标区域的特征点；检测模块的初始化包括通过扫描初始帧，获得训练分类器的图像片样本p；学习模块初始化包括获得初始目标模型，其中+上标表示正样本，-号上标表示负样本；KCF算法模块初始化包...

【专利技术属性】
技术研发人员：嶎建斌，刘建军，江涛，方亮，
申请(专利权)人：河北新途科技有限公司，
类型：发明
国别省市：河北,13