[發明專利]一種融合運動信息的核相關濾波多目標跟蹤方法

有效

• 申請號: 202010089349.2
• 申請日: 2020-02-12
• 公開（公告）號: CN111292355B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 楊金龍;繆佳妮;程小雪;李方迪;葛洪偉
• 申請（專利權）人: 江南大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06V10/75;G06V10/774
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 彭素琴

本發明公開了一種融合運動信息的核相關濾波多目標跟蹤方法，屬于計算機視覺、智能信息處理領域。本發明在檢測跟蹤的基礎上，引入了KCF進行多目標的跟蹤，減少對檢測器的過分依賴，實現對多個目標的精確跟蹤；跟蹤過程中將速度信息和SCCM機制結合到跟蹤框架中，從而處理遮擋目標的跟蹤以及跟蹤框漂移問題；最后采用IOU和歷史軌跡信息，對虛假目標進行判斷，從而減少軌跡碎片。實驗表明，本發明具有良好的跟蹤效果和魯棒性，能廣泛滿足智能視頻監控、人機交互、智能交通管制等系統的實際設計需求。

技術領域

本發明涉及一種融合運動信息的核相關濾波多目標跟蹤方法，屬于計算機視覺、智能信息處理領域。

背景技術

目標跟蹤任務分為兩種，單目標跟蹤和多目標跟蹤。單目標跟蹤即給出視頻初始幀的目標框大小和位置，實現在后續視頻幀中對同一目標的精確跟蹤。目前，單目標跟蹤的算法隨著相關濾波以及深度學習的加入有了長足的發展，相關濾波即通過訓練一個濾波器，判斷兩個目標的相關性，在VOT18(國際視覺跟蹤競賽)的比賽中，從精確性與魯棒性這兩個指標上看，排名前十的方法有50％以上的都采用了相關濾波，由此可見相關濾波在目標跟蹤中出色的表現。最早的相關濾波的方法有MOSSE(平方誤差最小輸出和)，隨后基于MOSSE有了很多的改進方法，例如CSK(循環結構核)和KCF(核相關跟蹤算法)，其中KCF方法的精確度和跟蹤速度都取得了不錯的成績，后期雖然也有對相關濾波的一些改進，基本也都是基于KCF方法之上。

KCF是一種用于單目標跟蹤任務的算法，在精確性與魯棒性方面有著很好的表現，該算法通過提取目標特征構建目標模板，循環位移產生一系列正負樣本，并映射到核空間來訓練分類器，從而減少計算消耗，縮短時間成本，接著在每一幀中尋找到與目標最相似的位置，實現在視頻序列中對該目標的持續跟蹤。但是KCF具有兩個最大的缺陷，一方面，由于KCF在目標受到遮擋時也會實時的更新目標模板，導致目標模板受到污染，從而跟蹤框偏移，產生誤跟和漏跟的情況；另一方面，KCF涉及了大量的矩陣運算操作，這就要求目標框的寬和高始終不變，使得跟蹤框無法自適應的根據目標的大小變化來進行調整，從而產生大量的漏跟。

在多目標跟蹤方面，由于場景的復雜多變，目標的隨機出現與消失，目標遮擋，相機抖動而導致的目標模糊等問題，導致進行多目標跟蹤任務一直困難重重。多目標跟蹤的方法主要分為兩種，一種是在線跟蹤，即利用視頻現在以及過去的信息進行跟蹤，這種跟蹤方法更加符合人們的日常需求，可以應用于智能監控，自動駕駛等方面；另一種為批處理跟蹤，即利用視頻過去、現在以及未來的信息進行目標跟蹤，這種跟蹤方法使得跟蹤的結果更加精確。早期，采用隨機有限集，圖分解，動態規劃，聯合概率數據關聯的方法，耗時較長，精確度較低。然而近幾年，隨著高度精確的檢測器方法，DPM(目標檢測算法)、FRCNN(借助區域提議網絡實現的實時目標檢測)、SDP(規模依賴池的檢測算法)、YOLO?v3(增量改進的目標檢測算法)等的出現，使檢測跟蹤的方法為越來越多的人所接受，通過檢測器精準的檢測結果進行后期的多目標跟蹤，可以使跟蹤結果更為準確。但復雜場景下的多目標跟蹤任務中，檢測算法容易出現由于背景雜波干擾，攝像頭的劇烈抖動導致的目標模糊，從而目標漏檢和跟丟以及出現虛假檢測框而導致的錯誤跟蹤，使得檢測跟蹤方法還需要很多細節的完善。

發明內容

本發明提供了一種融合運動信息的核相關濾波多目標跟蹤方法，所述方法包括：

步驟一：記k幀置信度大于D_c的檢測框的個數為n，k幀的檢測框狀態集為表示k幀中的第i個檢測框結果；初始幀k＝1時，k幀的跟蹤結果集R_k初始為空集；將n個檢測框視作新生目標，用來訓練KCF所需要的分類器；將目標樣本向量作為目標的模板，所述目標的模板為采用手動選取的HOG、CN和灰度特征提取目標樣本的特征信息，并循環位移產生一系列正負樣本X；將X映射至核空間內，放入分類器中進行訓練，在嶺回歸函數損失最小的情況下獲得最優解α；

步驟二：為n個新生目標分配標簽，將檢測框的置信度作為該新生目標的置信度，添加至k幀的跟蹤結果集R_k中，此時，k幀中的第i個跟蹤框的狀態為