一种尺度自适应与抗遮挡的KCF方法技术

本发明专利技术涉及计算机视觉技术领，公开了一种尺度自适应与抗遮挡的KCF方法，首先利用KCF算法提取并融合HOG特征与CN特征建立特征模型，使用图像HOG特征对图像梯度进行计算；通过KCF算法预测目标的中心位置，将目标划分为四个子块；将KCF的分类器同时应用到每个子块上进行跟踪，预测每个子块的中心位置；根据子块中心位置相对变化获得目标的尺度变化比例，确定目标的尺度信息实现尺度自适应；目标受到遮挡时，提取模板的ORB特征，直到匹配到目标，重新进行跟踪。本发明专利技术针对尺度变换和遮挡导致目标丢失问题进行改进，提高在处理尺度变化时的有效性。在尺度变换和遮挡、目标旋转、目标形变以及光照变化都具有最好的跟踪效果。及光照变化都具有最好的跟踪效果。及光照变化都具有最好的跟踪效果。

【技术实现步骤摘要】
一种尺度自适应与抗遮挡的KCF方法


[0001]本专利技术涉及计算机视觉
，具体为一种尺度自适应与抗遮挡的KCF方法。

技术介绍

[0002]KCF算法是通过循环矩阵的理论获取大量的样本，利用选取的样本在线进行训练分类器，将分类器进行最小二乘法训练和目标检测，通过快速傅里叶转化到傅里叶域中计算，大大加快了运算速度。近年来，基于相关滤波的目标跟踪算法显著提升了跟踪的性能。2010年Bolme等提出了最小输出平方误差和跟踪算法(MOSSE)，该算法首次将相关滤波思想引入目标跟踪领域，实时性可以达到每秒数百帧，这一结果引起了国内外研究学者的广泛关注。随后相继出现了循环结构的检测跟踪算法(CSK)和核相关滤波目标跟踪算法(KCF)，引入循环矩阵实现循环采样，克服样本不足的缺陷，利用图像的方向梯度直方图(HOG)特征建立较高鲁棒性的特征模型。Yang Li对训练样本图像进行7个尺度空间上的缩放，在尺度空间上求取分类器最大响应，从而解决了KCF不能有效对有尺度变化的目标进行跟踪的问题。Ting Liu等人提出使用结构化的方法对目标进行分块处理，最后通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种尺度自适应与抗遮挡的KCF方法，其特征在于，具体按以下步骤执行：S1:读取图像和初始化目标位置，提取目标图像的HOG特征和CN特征，对图像梯度进行计算，进行自适应特征融合；S2:利用KCF算法将预测到的目标分为四个子块进行处理，根据子块位置的相对变化来确定最终目标的尺度信息，实现尺度自适应；S3:目标遮挡判断；设定一个阈值用来判断目标是否发生遮挡，在概率最大值的的周围找出所有满足的所有点，并求得对应的位置，然后求所有的点与概率最大值位置之间的欧氏距离：设置另一个阈值为面积因子，结果大于阈值，则判断目标为遮挡；否则目标未受到遮挡；S4:ORB特征匹配目标；S5:OTB100公开数据集进行测试；通过定性和定量的对比测试结果验证KCF方法的有效性。2.根据权利要求1所述的一种尺度自适应与抗遮挡的KCF方法，其特征在于，在步骤S1中，具体按以下步骤执行：S
1.1
:HOG特征提取首先是对图像进行灰度化和伽马校正，计算每一个像素点的梯度值；S
1.2
:将8
×
8个像素分为一个单元cell计算每个cell的梯度直方图；再将4
×
4个cell合并为一个块block，得到每个block的HOG特征，对每一个block进行归一化处理得到最终的HOG特征值；S
1.3
:获取图像的RGB值，计算RGB值对应的颜色索引值，在文件中找到RGB值对应的数值，得到图像CN特征；S
1.4
:联合HOG特征与CN特征，得到图像的特征描述。3.根据权利要求1所述的一种尺度自适应与抗遮挡的KCF方法，其特征在于，步骤S2具体按以下步骤执行：S
2.1
:从一个样本图像取出目标图像，并按照一定比例取得目标图像周围信息进行样本训练，使用最小二乘法来训练分类器，寻找最优w；引入核函数将低维线性不可分的函数转换到高维空间实现线性可分，寻找最优α；S
2.2
:相似度计算；通过得到的结果做傅里叶逆变换得出响应值...

【专利技术属性】
技术研发人员：许景科，袁帅，刘天波，张璐，尹丽雪，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：