适用于移动机器人行人跟随的核相关滤波目标跟踪方法技术

本发明专利技术公开了一种适用于移动机器人行人跟随的核相关滤波目标跟踪方法，包括：利用基于OpenCV的SVM行人分类器检测初始化目标位置和目标区域；根据当前帧的目标区域构建训练样本，多特征提取并加权融合得到特征向量；构建以在傅里叶空间的核自相关性循环矩阵作为输入，以回归值为输出的目标跟踪的岭回归模型分类器，并对计算求得其学习权值系数；读入下一帧，根据上一帧目标位置构建检测样本，与训练样本形成互相关矩阵；建立尺度金字塔结合双线性插值，获取不同尺度模型的目标检测区域，计算得到最大响应并更新目标位置；重新训练和更新目标跟踪岭回归模型分类器。本发明专利技术可有效捕捉目标和多级尺度自适应变换，具有良好的鲁棒性和实时性。

Kernel correlation filtering target tracking method for pedestrian tracking of mobile robots

The invention discloses a kernel correlation filtering target tracking method suitable for mobile robot pedestrian tracking, which includes: detecting initialization target position and target area by using SVM pedestrian classifier based on OpenCV; constructing training samples according to target area of current frame, extracting multi-feature and weighting fusion to obtain feature vector; constructing core autocorrelation cyclic moments in Fourier space. Ridge regression model classifier with matrix as input and regression value as output is used for target tracking, and its learning weight coefficients are calculated; detection samples are constructed according to the target position of the previous frame in the next frame, and cross-correlation matrix is formed with training samples; scale pyramid and bilinear interpolation are established to obtain target detection regions of different scale models, and the maximum response is calculated. The target location is updated, and the target tracking ridge regression model classifier is retrained and updated. The invention can effectively capture targets and multi-scale adaptive transformation, and has good robustness and real-time performance.

【技术实现步骤摘要】
适用于移动机器人行人跟随的核相关滤波目标跟踪方法
本专利技术涉及适用于移动机器人行人跟随的核相关滤波目标跟踪方法，属于视觉目标跟踪

技术介绍
在人工智能时代，机器人技术是应用发展的重要标志。其中移动机器人是具有代表性的智能机器人技术，它给人们日常的工作和生活提供了诸多方便，融入到大型商场、酒店餐饮和交通运输等社会生活的各行各业，提高了人们的生活质量。移动机器人的目标跟踪技术是图像处理和机器视觉的研究热点之一。在行人跟随的应用场景中，会受到实时性差、光线亮度变化、姿态变化、尺度变化、目标遮挡和背景复杂等问题的影响。因此对移动机器人运动目标跟踪技术的深入研究具有理论和现实的意义。近几年来，随着机器视觉的快速发展，有效推动了基于视觉的机器人定位和跟随的研究。相关滤波跟踪算法由于其高效性和鲁棒性得到了研究者的广泛关注。这类算法的速度快且效果理想，采用在线学习方式更新分类器，即根据自身的跟踪结果对检测器进行更新。最小输出平方误差和MOSSE提出将相关滤波的思想引入目标跟踪领域，该算法是对初始帧进行训练获得相关滤波器，并通过傅里叶变换在频域内寻找相邻帧目标的最大相关性。基于MOSSE滤本文档来自技高网...

【技术保护点】
1.适用于移动机器人行人跟随的核相关滤波目标跟踪方法，其特征在于，包括以下步骤：步骤1、采用SVM行人分类器，计算和统计输入视频图片帧的图像局部区域梯度方向直方图HOG特征作为SVM行人分类器的输入，采用滑动窗口方法检测行人目标获得并存储当前帧的行人目标区域，并将该当前帧的行人目标区域作为移动机器人行人跟随的初始化目标位置和目标区域；步骤2、根据步骤1所得移动机器人行人跟随的初始化目标区域通过循环移位构建训练样本，通过多特征加权融合提取训练样本的特征向量，根据训练样本的特征向量构建以在傅里叶空间的核自相关性循环矩阵作为输入，以高斯加权后的回归值作为输出的目标跟踪岭回归模型分类器，并计算得到当前...

【技术特征摘要】
1.适用于移动机器人行人跟随的核相关滤波目标跟踪方法，其特征在于，包括以下步骤：步骤1、采用SVM行人分类器，计算和统计输入视频图片帧的图像局部区域梯度方向直方图HOG特征作为SVM行人分类器的输入，采用滑动窗口方法检测行人目标获得并存储当前帧的行人目标区域，并将该当前帧的行人目标区域作为移动机器人行人跟随的初始化目标位置和目标区域；步骤2、根据步骤1所得移动机器人行人跟随的初始化目标区域通过循环移位构建训练样本，通过多特征加权融合提取训练样本的特征向量，根据训练样本的特征向量构建以在傅里叶空间的核自相关性循环矩阵作为输入，以高斯加权后的回归值作为输出的目标跟踪岭回归模型分类器，并计算得到当前帧下目标跟踪岭回归模型分类器的学习权值系数；步骤3、读入下一帧，根据上一帧初始化的目标位置和目标区域通过循环移位构建检测样本，并与训练样本形成互相关矩阵；建立尺度金字塔结合双线性插值，获取不同尺度模型的目标检测区域，通过傅里叶变换和傅里叶反变换计算得到不同尺度模型的最大响应并更新移动机器人行人跟随的目标位置；步骤4、根据步骤3更新的移动机器人行人跟随的目标位置，重新对步骤2所得目标跟踪岭回归模型分类器的学习权值系数通过提取多特征并加权融合后进行傅里叶变换，以训练和在线更新目标跟踪岭回归模型分类器，直到处理完所有帧。2.根据权利要求1所述适用于移动机器人行人跟随的核相关滤波目标跟踪方法，其特...

【专利技术属性】
技术研发人员：李冰，束泠钰，张林，王刚，王亚洲，刘勇，董乾，赵霞，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32