针对快速运动和运动模糊的核化相关滤波算法制造技术

本发明专利技术公开了一种针对快速运动和运动模糊的核化相关滤波算法。首先在KCF算法中建立一个FM(Fast Motion)检测器，当检测器监测到目标发生了快速运动当前帧跟踪结果作废，以上一帧目标框为中心扩大当前帧目标寻找范围，范围内对相关滤波器用滑窗法得到目标可能位置的坐标分布；对该位置分布进行K

【技术实现步骤摘要】
针对快速运动和运动模糊的核化相关滤波算法


[0001]本专利技术属于图形图像处理的
，尤其涉及一种针对快速运动和运动模糊的核化相关滤波算法。

技术介绍

[0002]视觉目标跟踪是计算机视觉的一个重要分支，在视频智能交通监控、机器人、监控、人机交互等领域得到了广泛的应用。根据目标外观模型将目标跟踪算法分为生成式算法与判别式跟踪算法。近年来，随着机器学习的兴起，判别式跟踪方法由于能同时利用目标信息和目标周围背景信息并具有良好的跟踪新能而逐渐占据了主导地位。
[0003]判别式跟踪方法通过训练数据学习到一个分类模型来区分前景和背景。以目标所在区域为正样本，背景区域为负样本，进行分类器的训练，分类器预测的最高分数所在位置就是目标所在的位置，这种方法也称为检测跟踪方法，其中代表性的算法有基于分类跟踪的深度学习方法和基于支持向量机的跟踪算法等。核相关滤波目标跟踪就是基于支持向量机跟踪算法的一种。
[0004]信号的相关性是信号学用来描述两个信号的相似程度，一般情况下，相关性计算可以通过卷积来实现。相关性计算方式与卷积很相似，但也有区别。计算图像某一区域与滤波器的相关性，就是计算将滤波器顺时针旋转180度后与该区域的卷积。
[0005]Bolme等人在2010年首次将相关滤波应用于目标跟踪领域，利用快速傅里叶变换和卷积定理在频域中最小化期望响应和滤波器与目标区域的循环相关之间的均方误差和，得到最小平方和误差滤波器(MOSSE)。MOSSE作为相关滤波跟踪算法的开山鼻祖，将目标跟踪跟与以往经典的目标跟踪算法划分开来，其跟踪速度高达每秒600多帧，虽然跟踪精度不太理想，但与传统的跟踪算法相比大大提高了跟踪算法的实时性。
[0006]在MOOSE算法的基础上，出现了许多改进的相关滤波算法。Henriques等人将循环矩阵及核技巧引入MOOSE算法，利用灰度特征构建循环结构检测跟踪算法(CSK)，提高了MOOSE算法的跟踪精度。此外，Danelljan等人利用颜色属性表示输入数据，自适应选择鲁棒颜色特征进行跟踪(CN)；Henriques等人提出了核化相关滤波器(KCF)算法，扩充了CSK，在其中引入不同的核方法以及方向梯度直方图(HOG)特征，提高了相关滤波视频目标跟踪算法的精度。Chen等将模糊逻辑系统(TSK
‑
FLS)引入经典KCF算法提出了MFKCF(Multi fuzzy kernel correlation filter)，该算法针对目标快速运动的跟踪精度有明显提升。
[0007]以上方法在目标快速移动和运动模糊时，会丢失目标或者影响跟踪精度。

技术实现思路

[0008]基于以上现有技术的不足，本专利技术所解决的技术问题在于提供一种针对快速运动和运动模糊的核化相关滤波算法。
[0009]为了解决上述技术问题，本专利技术通过以下技术方案来实现：
[0010]本专利技术提供的针对快速运动和运动模糊的核化相关滤波算法，包括以下步骤：
[0011]步骤1：在KCF的框架中建立一个检测器，检测器检测到两帧之间跟踪失败，停止更新滤波器模板，抛掉当前预测位置，扩大目标寻找范围；
[0012]步骤2：以上一帧目标框为中心扩大当前帧目标寻找范围内用相关滤波器模板以滑动窗口的方式快速检测N个目标候选中心点，对N个点进行K
‑
means聚类，聚成M类；
[0013]步骤3：以M类的簇心为中心进行相关滤波定位再次进行快速检测，得到M个当前帧跟踪结果候选点，最后通过计分法选出最佳跟踪结果；
[0014]可选的，KCF跟踪算法的基础上利用滑窗聚类(Sliding window Clustering)在图像上进行位置分区，提高目标真实位置的查全率，再通过多特征计分(Multi
‑
feature Scoring)确定最佳目标位置。
[0015]本专利技术提出了针对快速运动和运动模糊的核化相关滤波算法，适用于运动状态下的目标跟踪问题。本专利技术具有以下有益效果：
[0016]1、能够对快速运动和运动模糊的目标进行跟踪。
[0017]2、距离精度、重叠精度、中心位置误差优于传统算法。
[0018]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0020]图1为本专利技术的针对快速运动和运动模糊的核化相关滤波算法的流程图。
[0021]图2为本专利技术的跟踪目标分层图。
[0022]图3为本专利技术的滑窗示意图。
[0023]图4为五种算法在BlurBody、Couple和Jumping案例上的跟踪效果图，其中(a)为BlurBody案例，(b)为Couple案例，(c)为Jumping案例。
具体实施方式
[0024]下面结合附图详细说明本专利技术的具体实施方式，其作为本说明书的一部分，通过实施例来说明本专利技术的原理，本专利技术的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
[0025]KCF跟踪算法：KCF(Kernelized Correlation Filter)目标跟踪算法是一种判别式跟踪算法。算法在第一帧目标所在区域训练一个目标检测器(相关滤波器模板)，用于预测下一帧目标所在位置，再由新的预测结果更新目标检测器。在训练滤波器模板时选取目标区域为正样本，对目标区域进行循环移位获得负样本，构造出循环矩阵，利用傅里叶变换与循环矩阵相关性质，大大缩短了训练滤波器所需的时间。
[0026](1)岭回归
[0027]KCF在这里使用岭回归训练分类器，因为它包含一个简单的闭式解，并且可以实现与支持向量机(Support Vector Machine)等更复杂的方法相近的性能。
[0028]训练分类器的目的是为了找到一个形如f(X)＝w
T
X的函数，使样本x
i
与其回归目标
y
i
的平方误差最小化，并且加入了正则化项防止分类器过拟合。其表达式为
[0029][0030]其中w表示系数向量，x
i
表示数据样本，y
i
表示样本类别，λ是正则项系数。用矩阵表示为
[0031][0032]其中X表示样本集合，Y表示样本类别向量。对w进行求导并令其为零，得w闭式解
[0033]w＝(X
T
X+λI)
‑1X
T
Y
ꢀꢀ
(3)
[0034]其中I是X
T
X的同阶单位阵，T表示转置。由卷积定理和快速傅里叶变换的性质可知，空域的矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.针对快速运动和运动模糊的核化相关滤波算法，其特征在于，包括以下步骤：步骤1：在KCF的框架中建立一个检测器，检测器检测到两帧之间跟踪失败，停止更新滤波器模板，抛掉当前预测位置，扩大目标寻找范围；步骤2：以上一帧目标框为中心扩大当前帧目标寻找范围内用相关滤波器模板以滑动窗口的方式快速检测N个目标候选中心点，对N个点进行K
‑
means聚类，聚成M类；步骤3：以M类的簇心为中心进行相关滤波...

【专利技术属性】
技术研发人员：崔丽群，李明，张俊东，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：