一种基于核相关滤波和帧差法的目标跟踪算法制造技术

本发明专利技术属于计算机视觉领域，尤其涉及一种基于核相关滤波和帧差法融合的目标跟踪算法。本发明专利技术使用集成学习的理论，针对卫星视频数据目标跟踪像素多、目标小、低像素的特点，选择将核相关滤波(KCF)算法和帧差法进行融合，将两种跟踪算法融合成一个强跟踪器，同时吸收两种跟踪算法的优点，从而实现针对卫星视频数据的特点完成目标跟踪任务。在多算法融合过程中，主要是通过计算候选框的吸引力a来度量候选框与目标的距离，并使用并行技术来提高融合算法的时间性能。本发明专利技术可以在卫星视频数据上进行跟踪并获得较好的跟踪结果。

【技术实现步骤摘要】
一种基于核相关滤波和帧差法的目标跟踪算法
本专利技术属于计算机视觉领域，尤其涉及一种基于核相关滤波和帧差法融合的目标跟踪算法。
技术介绍
目标跟踪是计算机视觉中具有广泛应用的一个分支。随着视频采集设备的普及和成像质量的提高，目标跟踪技术被广泛应用于智能交通系统、目标识别、视频检索和人机交互等领域。针对目标跟踪问题的研究，国内外的学者做出了大量的贡献。在某些特定的领域，此类问题得到了完善的解决。例如针对手势的跟踪算法研究和针对车辆的跟踪算法研究。但是在众多的目标跟踪算法中，仍然没有一种方法能够适用于卫星视频数据跟踪。这是因为在卫星视频数据的目标跟踪过程中，除了传统目标跟踪数据中，经常会发生的目标被障碍物遮挡、光照变化、成像模糊和目标快速移动等影响因素外，卫星视频数据中特有的图像文件大、目标占据像素点少、低分辨率和高背景相似度等影响因素，导致众多目标跟踪算法跟踪失败。因此，找到一种在卫星视频数据中能够进行稳定目标跟踪的跟踪算法具有非常重要的现实意义。
技术实现思路
本专利技术主要是提供了一种基于核相关滤波和帧差法的融合算法，这个算法能够兼具核相关滤波方法和帧差法的优点，并融合他们的跟踪结果作为最终结果，使得融合后的跟踪算法具有更强的鲁棒性。本专利技术提供的技术方案是，一种基于核相关滤波和帧差法的目标跟踪算法，包含以下步骤：步骤1，选取候选样本：选取第t帧目标跟踪的候选样本框。在i-1帧的跟踪结果周围，使用窗口滑动采样获得候选样本框。步骤2，执行跟踪算法：同时执行帧差法和核相关滤波跟踪算法，将不同的跟踪算法分发给计算机不同的进程，获得两个跟踪算法产生的结果：r1，r2。步骤3，计算每一候选框e在第i帧的吸引力ai(e)。对于每一个候选矩形框，首先定义一个参数，叫做吸引力a。候选框和目标的真实位置越近，那么此候选框的吸引力越强。在介绍吸引力a的计算方式之前，先介绍两个矩形框的距离计算方式，不失一般性，用b和c代表两个矩形框。其中下标x，y，w和h分别代表矩形框的左上角横纵坐标、宽度和高度。由于从始至终，代表跟踪结果的矩形框大小保持不变，因此公式(1)可以简化为：对于候选框e在第i帧的吸引力ai(e)定义为：σ在这里是一个常量，用来控制距离对吸引力的影响程度，防止出现因为距离过小导致影响力过大的情况，因此σ在本文提出的融合算法中影响很大，需要大量实验才能确定最终取值。bi，j代表第i帧第j个算法的候选框。步骤4，将拥有最大吸引力ai(e)的候选框作为最终结果与现有技术相比，本专利技术的有益效果是：本专利技术中集合了核相关滤波算法(KCF)和三帧帧差法二者的优点，针对卫星视频数据目标跟踪像素多、目标小、低像素的特点，将核相关滤波算法(KCF)和三帧帧差法进行融合，没有改变图像的特征，也没有将多种特征融合成一个新特征，在融合过程中，各特征和分类器都是独立的，因此，其在卫星视频数据跟踪任务中能够发挥不同特征和分类器的优势，从而在卫星视频数据跟踪中能够获得令人满意的跟踪结果。具体实施方式以下结合附图和具体实施例来对本专利技术做进一步的说明。本专利技术提供了一种宽泛的跟踪算法融合框架，该融合算法使用集成学习[1]的理论，能够将两种跟踪算法融合成一个强跟踪器，同时吸收两种跟踪算法的优点。在多算法融合过程中，主要是通过计算候选框的吸引力a来度量候选框与目标的距离。并使用并行技术来提高融合算法的时间性能。该融合算法在精度上可以超过单个跟踪算法。[1]DietterichTG.Ensemblelearning[J].Thehandbookofbraintheoryandneuralnetworks，2002，2：110-125.引入吸引力a来度量候选框与目标的距离。本专利技术为候选矩形框设置了一个参数，叫做吸引力a，候选框和目标的真实位置越近，那么此候选框的吸引力越强。引入并行融合策略。集成学习相对于单个学习器，其分类性能更好，但是由于使用多个学习器进行融合，导致使用集成学习的算法在时间性能上表现一般。针对这种现象，本专利技术提出了多跟踪算法并行融合策略。将两种不同的跟踪算法分发给不同的处理器，实现并行执行不同的跟踪算法，提高融合算法的时间性能。图1为卫星视频数据目标跟踪的原理图，卫星视频数据目标跟踪分为两个阶段进行，第一阶段分为两个部分，第一个部分是基于核相关滤波算法的KCF算法，首先基于上一帧的跟踪结果，使用循环矩阵产生图片块，通过训练这些图片块建立起KCF跟踪器，然后在上一帧目标所在位置周围区域搜索，根据分类器最大得分找到目标位置。第二部分则是使用三帧帧差法在每一个给定帧中探测目标。第二阶段是将第一阶段中KCF算法和三帧帧差法的跟踪结果使用融合算法融合，最终产生最后的结果。实施例提供的流程具体包括以下步骤：步骤1，选取候选样本：选取第t帧目标跟踪的候选样本框，在i-1帧的跟踪结果周围，使用窗口滑动采样获得候选样本框。采样获得候选样本框的个数越多，目标跟踪越可能精确。步骤2，执行跟踪算法：多进程执行2个跟踪算法，分别是KCF[2]和帧差法，将不同的跟踪算法分发给计算机不同的进程(实施例中所用设备是一台具备64位操作系统系统，intelCorei7-37703.40GHz8核CPU，32GB内存的台式电脑)，获得2个跟踪算法产生的结果：r1，r2。[2]HenriquesJF，RuiC，MartinsP，etal.High-SpeedTrackingwithKernelizedCorrelationFilters[J].IEEETransactionsonPatternAnalysis&MachineIntelligence，2014，37(3)：583-596.步骤3，计算每一候选框e在第i帧的吸引力ai(e)。对于每一个候选矩形框，首先定义一个参数，叫做吸引力a。候选框和目标的真实位置越近，那么此候选框的吸引力越强。在介绍吸引力a的计算方式之前，先介绍两个矩形框的距离计算方式，不失一般性，用b和c代表两个矩形框。其中下标x，y，w和h分别代表矩形框的左上角横纵坐标、宽度和高度。由于从始至终，代表跟踪结果的矩形框大小保持不变，因此公式(1)可以简化为：对于候选框e在第i帧的吸引力ai(e)定义为：σ在这里是一个常量(实施例中设置为0.08)，用来控制距离对吸引力的影响程度，防止出现因为距离过小导致影响力过大的情况，因此σ在此专利技术提出的融合算法中影响很大，需要大量实验才能确定最终取值。步骤4，将拥有最大吸引力ai(e)的候选框作为最终结果以上是本专利技术实施例涉及的一种基于核相关滤波和帧差法的多方法融合目标跟踪算法的实现步骤。通过使用集成学习理论、并行融合策略的引入，可以提高跟踪的精度。通过使用核相关滤波方法和帧差法，针对性的在卫星视频数据中进行跟踪任务。在具体实现时还有以下注意事项：对于参数的确定，如σ，本领域技术人员可自行根据经验或者大量实验来确定。具体实施时，本专利技术所提供方法可基于软件技术实现自动运行流程。需要强调的是，本专利技术所述的实施例是说明性的，而不是限定性的。因此本专利技术包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本专利技术的技术方案得出的其他实施方式，同样属于本专利技术保护的范围。本文档来自技高网...

【技术保护点】
1.一种基于核相关滤波和帧差法的目标跟踪算法，其特征在于，包含以下步骤：步骤1，选取候选样本：选取第t帧目标跟踪的候选样本框；在i‑1帧的跟踪结果

【技术特征摘要】
1.一种基于核相关滤波和帧差法的目标跟踪算法，其特征在于，包含以下步骤：步骤1，选取候选样本：选取第t帧目标跟踪的候选样本框；在i-1帧的跟踪结果周围，使用窗口滑动采样获得候选样本框；步骤2，执行跟踪算法：同时执行帧差法和核相关滤波跟踪算法，将不同的跟踪算法分发给计算机不同的进程，获得两个跟踪算法产生的结果：r1，r2；步骤3，计算每一候选框e在第i帧的吸引力ai(e)；对于每一个候选矩形框，首先定义一个参数，叫做吸引力a；候选框和目标的真实位置越近，那么此候选框的吸引力越强；在介绍吸引力a的计算方式之...

【专利技术属性】
技术研发人员：杜博，
申请(专利权)人：武汉嫦娥信息科技有限公司，
类型：发明
国别省市：湖北,42