CN110991565A - 基于kcf的目标跟踪优化算法 - Google Patents

Abstract

本发明涉及了一种基于KCF的目标跟踪优化算法，属于人工智能技术领域。针对目标跟踪领域，本发明以原始相关滤波目标跟踪算法为基础，改进为SKCF算法，将相关滤波算法与互补融合相结合；首先加入互补融合机制对相关滤波的跟踪算法进行初步改进，从跟踪模型的角度出发，提出了一种融合深度特征的核相关滤波跟踪算法；利用自适应模型因子，提升核相关滤波的性能参数；并利用多通道融合技术，对特征值进行组合，实现了对跟踪物体更加精确的跟踪。通过仿真实验结果验证了该算法能够有效的提升跟踪精确性与鲁棒性，即使目标物出现了遮挡和光照变化，其跟踪效果依然具有较好的稳定性。

Description

基于KCF的目标跟踪优化算法

技术领域：

本发明涉及人工智能技术领域，具体是一种基于KCF的目标跟踪优化算法。

技术背景：

目标跟踪问题目前还存在的一些难以解决处理的难题，虽在智能视频监控、现代军事、人机交互等方面发挥了很大作用，但是在综合环境下对目标物跟踪达到精度与实时性完美匹配还有很大的进步空间。特别的当跟踪时出现紧急改变的状况时，就是对算法的一项严峻挑战，如突然的遮挡、外形尺度变化、类似物体的突然出现等。当这些事件的突然发生，如果算法不作出有效的应对，便有可能引起后续跟踪目标物的丢失，或者出现跟踪目标错误，因其后续视频或图像里出现连续错误结局。其次，当目标物在视频帧里被干扰物干扰了外形特征，特征信息就很难获取到，从而也有可能引起跟踪目标丢失。另外，拍摄设备的位移、背影改变、光照影响、连续跟踪等都是影响跟踪精度的一些现实问题。如果想把这些所有的问题解决掉，就需要对算法加入更多的分类特征，以及对庞大视频数据进行分析，丰富正负样本集，就不能实现跟踪实时性需求。最近几年，许多新的方法被提出来，在目前的跟踪领域已经获得了不错的成果，但还没有一个算法能同时应对上述问题，并能在跟踪的时效性上与精度上达到完美的结合。因此，设计一种稳定高效，高实时性的目标跟踪算法很有难度也是很具有实用意义的。

相关滤波是一种信号处理方法，广泛应用于目标检测、目标识别等领域。将两帧图片进行卷积运算，完成特征从时域空间转化到频率域，使用像素乘法运算提高了运算速度，从而将运算速度提高了一个等级[35]。它在计算机视觉领域得到了广泛的应用。相关滤波速度快，因为两幅视频帧中的图片在空间域的卷积运算可以变化为频率域的乘积，计算结果作为输出响应。在下面的视频帧数里，通过求解可能的最优解峰值进行跟踪对象位置进行判断，在后续求解步骤里利用快速傅立叶变换来提高速度。因此，利用这种算法对跟踪序列的初始帧进行处理，可以消除冗余背景信息对跟踪算法的干扰，完成目标跟踪帧的自适应重新标定。然后，检测并更新过滤器。在新的输入帧中，以与上述训练过程相同的方式获取目标特征。在此前提下，跟踪算法在视频序列的所有剩余图像帧中找到目标的位置。因为经过分割后目标跟踪框图内还残留有原有的特征框架，而且汇集了大量相似特征值，在此可以通过减少像素量来进行算法的简化。背景像素逐渐积累，最终可能导致模型漂移，导致跟踪失败。因此，在模型设计和修正中，有必要减小误差对跟踪效果的影响。

相关的专利如申请号CN 108320306 A的发明专利公开了一种融合相关滤波与TLD的目标跟踪算法，首先是对待跟踪目标进行确定并且用跟踪框图进行确定,同时将初始帧输入到相关滤波算法中与TLD模块中；选择有输出结果的作为最终跟踪结果，如果都存在输出信号，那么对其进行二次筛选,分别计算跟踪目标输出与目标模型M之间的相似度St和Sk，选择其中的最优解作为目标跟踪结果。但是，以上专利在目标物出现了遮挡和光照变化，其跟踪效果的稳定性比较差。目前，尚未见到与本发明相似的专利记录。

发明内容：

针对目标跟踪领域的难点，比如因外部光照变化导致物体呈现的颜色发生改变，又或者目标物运动导致发生形变以及目标被障碍物遮挡时引起跟踪目标的失踪等问题，本发明以相关滤波KCF目标跟踪算法为基础，提出一种基于KCF的目标跟踪优化算法，在目标物发生突然的遮挡、外形尺度变化，加入自适应模型更新对跟踪对象特征库实时更新，表现出良好性能。为完成对目标跟踪的特征提取和特征更新进行如下步骤：

步骤1：对原有的KCF算法中加入深度特征与关键点信息特征，使得待跟踪区域的特征细节提取更多，从而有效排除非跟踪区域的干扰，通过关键点信息特征可有效对目标外观特征进行筛选，从而解决训练分类器中数据样本较少的根本难题；

步骤2：再对KCF算法的模型更新加入自适应因子做出优化；根据前期外观模型与滤波模型进行更新频率加入自适应因子，从而是更新频率达到合适的要求，即实现了目标跟踪，也不占用计算机太多的运算能力。

采用上述技术方案的本发明，与现有技术相比，其突出的特点是：

①本发明以原始相关滤波目标跟踪算法为基础，改进为SKCF算法，将相关滤波算法与互补融合相结合。首先加入互补融合机制对相关滤波的跟踪算法进行初步改进，从跟踪模型的角度出发，提出了一种融合深度特征的核相关滤波跟踪算法。利用自适应模型因子，提升核相关滤波的性能参数。并利用多通道融合技术，对特征值进行组合，实现了对跟踪物体更加精确的跟踪。通过仿真实验结果验证了该算法能够有效的提升跟踪精确性与鲁棒性，即使目标物出现了遮挡和光照变化，其跟踪效果依然具有较好的稳定性。

②与原有的KCF相比，改进后的算法优点在于：根据检测得到的响应图，采用深度特征与关键点信息特征选择候选样本，并进一步计算候选样本的真实响应值，以减少循环移位样本产生的负面影响，提高检测精度。采用加入自适应模块的KCF算法模型，使得更新更有效率，找到滤波器响应值最大的位置作为目标的最终预测位置。最后，利用标准测试视频序列进行测试，结果表明，与单特征相关滤波跟踪方法和其他流行的非相关滤波方法相比，该算法提高了目标位置跟踪的精度和鲁棒性。

附图说明：

图1是本发明实施例图像区域分割过程图；

图2是本发明实施例循环矩阵模型；

图3是本发明实施例岭回归模型示意图；

图4是本发明实施例多通道融合模型。

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步说明。目的仅在于更好地理解本发明内容，因此，所举之例并不限制本发明的保护范围。

一种基于KCF的目标跟踪优化算法，按照如下步骤进行：

步骤1：对原有的KCF算法中加入深度特征与关键点信息特征，使得待跟踪区域的特征细节提取更多，从而有效排除非跟踪区域的干扰，通过关键点信息特征可有效对目标外观特征进行筛选，从而解决训练分类器中数据样本较少的根本难题；

步骤2：再对KCF算法的模型更新加入自适应因子做出优化，根据前期外观模型与滤波模型进行更新频率加入自适应因子，从而是更新频率达到合适的要求，即实现了目标跟踪，也不占用计算机太多的运算能力。

步骤1中对要跟踪的视频流的首帧进行目标跟踪物区域的划分，如图1所示，并在这个选中区域内对待跟踪物体提取目标轮廓特征z₁，先通过快速傅里叶变换将选定框内图像域转换到频域，其数学描述如公式(1)

Z₁＝F(z₁) (1)

对于待跟踪对象的框图内取其点为P点，并在目标框图R_m*n内分离抓取一个d维带有目标信息的特征向量为z＝(z¹,z²,z³……z^d)∈R^d，可以认定相关通道。对特征值的获得主要的作用是构建一个相关选择器h＝(h¹,h²,h³……h^d)∈R^d使得经过运算后目标位置信息在跟踪物体的实际位置处有较高的响应值，即选定区域的中间点位响应值最高，对于出去选择框外的位置相应值越低越好。对于这种要求高斯函数能够完成这种设计要求，假设在原有的目标框图内进行采样R_m*n的方差为σ其平面的高斯函数为：

算法目标为滤波后的图像特征与高斯函数值相差最小也就是(3)式中的ε值最小，h^lΘz^l表示循环相关。这是一个线性最小二乘问题，但式(3)将其空间域转换到频域，可以完美解决问题，最后便得到如图2所示的循环特征矩阵。

步骤2中跟踪算法对跟踪目标的模型训练：搭建线性回归分析模型，则模型训练的误差函数使用以下公式(7)，获取岭回归函数的最小值，对其求导结果为零，轻松求解出i的数值。如下公式(8)所示，带入数值求得数据。计算时，可将所有样本转换为对角矩阵进行处理。为了进一步简化训练过程，只需计算对角矩阵对角线上非零元素的值。如此就可以得到如图3的岭回归模型。

ln q_e-q_t＝ln q_e-K₁t (9)

根据提出的自适应更新因子加入到相关滤波算法中去，一般以其对跟踪目标的学习研判频率η从而进行选择器的迭代，如图4所示：

算法根据前期的迭代变化，自主的选择η的取值。

本发明以原始相关滤波目标跟踪算法为基础，改进为SKCF算法，将相关滤波算法与互补融合相结合。首先加入互补融合机制对相关滤波的跟踪算法进行初步改进，从跟踪模型的角度出发，提出了一种融合深度特征的核相关滤波跟踪算法。利用自适应模型因子，提升核相关滤波的性能参数。并利用多通道融合技术，对特征值进行组合，实现了对跟踪物体更加精确的跟踪。通过仿真实验结果验证了该算法能够有效的提升跟踪精确性与鲁棒性，即使目标物出现了遮挡和光照变化，其跟踪效果依然具有较好的稳定性。

②与原有的KCF相比，改进后的算法优点在于：根据检测得到的响应图，采用深度特征与关键点信息特征选择候选样本，并进一步计算候选样本的真实响应值，以减少循环移位样本产生的负面影响，提高检测精度。采用加入自适应模块的KCF算法模型，使得更新更有效率，找到滤波器响应值最大的位置作为目标的最终预测位置。最后，利用标准测试视频序列进行测试，结果表明，与单特征相关滤波跟踪方法和其他流行的非相关滤波方法相比，该算法提高了目标位置跟踪的精度和鲁棒性。

以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及其附图内容所作的等效变化，均包含于本发明的权利范围之内。

Claims (3)

1.一种基于KCF的目标跟踪优化算法，其特征在于，按照如下步骤进行：

步骤1：对原有的KCF算法中加入深度特征与关键点信息特征，使得待跟踪区域的特征细节提取更多，从而有效排除非跟踪区域的干扰，通过关键点信息特征可有效对目标外观特征进行筛选，从而解决训练分类器中数据样本较少的根本难题；

步骤2：再对KCF算法的模型更新加入自适应因子做出优化，根据前期外观模型与滤波模型进行更新频率加入自适应因子，从而是更新频率达到合适的要求，即实现了目标跟踪，也不占用计算机太多的运算能力。

2.根据权利要求1所述的基于KCF的目标跟踪优化算法，其特征在于，步骤1中对要跟踪的视频流的首帧进行目标跟踪物区域的划分，并在这个选中区域内对待跟踪物体提取目标轮廓特征z₁，先通过快速傅里叶变换将选定框内图像域转换到频域，其数学描述如公式(1)

Z₁＝F(z₁) (1)

对于待跟踪对象的框图内取其点为P点，并在目标框图R_m*n内分离抓取一个d维带有目标信息的特征向量为z＝(z¹,z²,z³……z^d)∈R^d，可以认定相关通道；对特征值的获得主要的作用是构建一个相关选择器h＝(h¹,h²,h³……h^d)∈R^d使得经过运算后目标位置信息在跟踪物体的实际位置处有较高的响应值，即选定区域的中间点位响应值最高，对于出去选择框外的位置相应值越低越好；对于这种要求高斯函数能够完成这种设计要求，假设在原有的目标框图内进行采样R_m*n的方差为σ其平面的高斯函数为：

算法目标为滤波后的图像特征与高斯函数值相差最小也就是(3)式中的ε值最小，h^lΘz^l表示循环相关；这是一个线性最小二乘问题，但式(3)将其空间域转换到频域，可以完美解决问题，最后便得到循环特征矩阵。

3.根据权利要求1所述的基于KCF的目标跟踪优化算法，其特征在于，步骤2中跟踪算法对跟踪目标的模型训练：搭建线性回归分析模型，则模型训练的误差函数使用以下公式(7)，获取岭回归函数的最小值，对其求导结果为零，轻松求解出i的数值；使用公式(8)，带入数值求得数据；计算时，可将所有样本转换为对角矩阵进行处理；为了进一步简化训练过程，只需计算对角矩阵对角线上非零元素的值；如此就可以得到岭回归模型：

lnq_e-q_t＝lnq_e-K₁t (9)

根据提出的自适应更新因子加入到相关滤波算法中去，一般以其对跟踪目标的学习研判频率η从而进行选择器的迭代：

算法根据前期的迭代变化，自主的选择η的取值。

Images