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，最后通过给定分块权重计算目标位置信息。Akin等人提出了一种依赖全局跟踪器与多个部分跟踪器耦合交互的跟踪器。Ma等人提出长期目标跟踪算法(LCT)，利用平移相关滤波、尺度相关滤波和置信度检测相关滤波实现了目标尺度自适应，并且对遮挡有较好的处理效果。包晓安等人提出KCF结合SIFT特征的抗遮挡检测算法。上述算法最终都得到了不错的跟踪性能，但是都很大程度上牺牲了跟踪速度。
[0003]近年来，视频目标跟踪作为计算机视觉研究领域中的一个关键技术，已广泛应用到国防和民用的各个领域中，如医学诊断、智能监控、人机交互、导航制导等。目前视频目标跟踪技术虽然已经取得了很大的发展与进步，KCF算法成为公认的性能较好的跟踪算法之一，在跟踪速度上表现尤为突出，精确度也较高。但是，KCF算法本身有自己的局限性，当目标出现遮挡时，会跟丢目标，并且无法改变跟踪框的尺寸。当目标出现遮挡时，会跟丢目标，并且无法改变跟踪框的尺寸，例如：尺度变化、光照变化、运动模糊、目标变形、目标遮挡等问题。所以就需要一种尺度自适应与抗遮挡的KCF方法。

技术实现思路

[0004]本专利技术的目的在于提供一种尺度自适应与抗遮挡的KCF方法；对尺度自适应与遮挡的实时性和成功率的提高，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。
[0005]本专利技术是这样实现的：一种尺度自适应与抗遮挡的KCF方法；具体按以下步骤执行；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]S
1.4
:联合HOG特征与CN特征，得到图像的特征描述。
[0011]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；
[0012]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；具体如式(1)，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，如式(2)；
[0013][0014]其中，y
i
为y中每一个元素的回归，x
i
为样本矩阵的行向量，λ为正则化参数；
[0015][0016]其中，k
xx
‘
为核矩阵的第一行元素。
[0017]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，响应值最大的位置最有可能是目标位置，如式(3)；
[0018][0019]其中，其中：k
xz
为待检测图像z与目标图像x的核相关。
[0020]S
2.3
:尺度自适应；将目标分割为4个子块，将KCF的分类器同时应用到每个子块上进行跟踪，更新目标外观模型，同时更新4个子块的中心以及子块模板，用于下一帧图像的跟踪。
[0021]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；
[0022]S4:ORB特征匹配目标；
[0023]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。
[0024]进一步，步骤S4具体按以下步骤执行：
[0025]S
4.1
:ORB特征提取，利用FAST算法查找模板和待检测图像中的关键点；利用非极大
值抑制的方法取出相邻或相近的一些关键点，排除关键点冗余的现象；获得关键点之后，通过BRIEF算法对关键点进行描述；将所有关键点的特征向量集成在一起得到ORB特征描述符；
[0026]S
4.2
:使用ORB特征进行目标匹配；将模板提取出的ORB特征与待检测图像提取的ORB特征进行匹配，直到再次得到目标为止。
[0027]进一步，在步骤S5中，具体按以下步骤执行，选择OTB100集包含了50个视频序列，每一个视频序列都包含了关于该视频三个方面的信息，第一是视频的帧序列，以图片的形式存放在img文件夹；第二是groundtruth_rect.txt文件，该文件记录的是每一副图像中目标的中心位置坐标和目标的高和宽；第三个是该视频的基本信息，存储方式一般是mat文件，包括视频总帧数和背景信息。
[0028]进一步，KCF算法与6组典型的视频序列算法进行分析，6组典型的视频序列算法包括尺度估计的鲁棒性视觉跟踪算法DSST、可靠分块跟踪算法RPT、多尺度检测相关滤波算法SAMF、长期相关滤波跟踪算法LCT、基于循环架构的核检测算法CSK和结合神经网络的端到端跟踪算法CFNet进行整体分析与评价；目标既出现了尺度变换和遮挡，还有目标旋转、目标形变以及光照变化的挑战。
[0029]进一步，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被主控制器执行时实现如上本文档来自技高网...

【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：