[發(fā)明專利]一種改進(jìn)KCF算法的多無(wú)人機(jī)跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110181449.2
• 申請(qǐng)日: 2021-02-08
• 公開（公告）號(hào): CN112862854A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 馬峻;姚震
• 申請(qǐng)（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號(hào): G06T7/207
• 分類號(hào): G06T7/207;G06T7/149;G06T5/10;G06K9/62
• 代理公司: 桂林文必達(dá)專利代理事務(wù)所(特殊普通合伙) 45134
• 代理人: 張學(xué)平

本發(fā)明公開了一種改進(jìn)KCF算法的多無(wú)人機(jī)跟蹤方法，結(jié)合了幀間差分法和ViBe算法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，以PP?YOLO為主體結(jié)構(gòu)的分類檢測(cè)網(wǎng)絡(luò)和改善了更新策略的KCF跟蹤算法。利用幀間差分法和ViBe算法結(jié)合，不僅避免了幀差法無(wú)法適應(yīng)相機(jī)抖動(dòng)的問題，并且預(yù)先對(duì)噪點(diǎn)進(jìn)行去除，從而使運(yùn)動(dòng)目標(biāo)的檢測(cè)更加準(zhǔn)確，而基于PP?YOLO網(wǎng)絡(luò)間隔固定的時(shí)間更新KCF濾波器的方法，能夠有效改善多目標(biāo)跟蹤過程中丟失和偏移的問題，解決了現(xiàn)有技術(shù)中的運(yùn)用傳統(tǒng)KCF算法跟蹤無(wú)人機(jī)目標(biāo)時(shí)出現(xiàn)較為明顯偏移的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)跟蹤技術(shù)領(lǐng)域，尤其涉及一種改進(jìn)KCF算法的多無(wú)人機(jī)跟蹤方法。

背景技術(shù)

隨著視頻分析技術(shù)在軍事和民用方面的廣泛應(yīng)用，目標(biāo)跟蹤已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域的重要分支之一。目標(biāo)跟蹤通常是指通過目標(biāo)的有效表達(dá)，在圖像序列中尋找與目標(biāo)模板最相似候選目標(biāo)位置的過程。目標(biāo)跟蹤常用到的目標(biāo)特性表達(dá)主要依靠視覺特征、統(tǒng)計(jì)特征、變換系數(shù)特征以及代數(shù)特征等，除了單一特征，也可通過融合多個(gè)特征來(lái)提高跟蹤的可靠性。

KCF算法是2014年由Henriques等人提出的一種算法，具有跟蹤效果優(yōu)秀且計(jì)算速度快的特點(diǎn)，KCF算法通過循環(huán)矩陣對(duì)目標(biāo)周圍區(qū)域進(jìn)行密集采樣，訓(xùn)練回歸響應(yīng)器。利用循環(huán)矩陣的性質(zhì)，進(jìn)行傅里葉變換將分類器的訓(xùn)練過程轉(zhuǎn)換到頻域中進(jìn)行計(jì)算，將矩陣的求逆轉(zhuǎn)化為向量元素的點(diǎn)乘，極大地提高了運(yùn)算速度。另外，KCF算法還使用高斯核函數(shù)方法將低維空間的非線性可分問題映射到高維空間使其線性可分，從而實(shí)現(xiàn)對(duì)非線性特征目標(biāo)的跟蹤。但由于更新策略的原因，KCF算法隨著跟蹤時(shí)間推進(jìn)會(huì)出現(xiàn)飄移的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種改進(jìn)KCF算法的多無(wú)人機(jī)跟蹤方法，旨在解決現(xiàn)有技術(shù)中的運(yùn)用傳統(tǒng)KCF算法跟蹤無(wú)人機(jī)目標(biāo)時(shí)出現(xiàn)較為明顯偏移的技術(shù)問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的一種改進(jìn)KCF算法的多無(wú)人機(jī)跟蹤方法，包括下列步驟：

采集視頻圖像并初始化背景模型；

檢測(cè)所述視頻圖像中的運(yùn)動(dòng)目標(biāo)；

加載分類網(wǎng)絡(luò)的模型，在所述運(yùn)動(dòng)目標(biāo)中獲取無(wú)人機(jī)位置信息；

使用所述無(wú)人機(jī)位置信息初始化KCF濾波器；

更新所述KCF濾波器，輸出跟蹤結(jié)果。

可選的，在采集視頻圖像并初始化背景模型的過程中，首先通過攝像機(jī)采集視頻圖像，獲取含有無(wú)人機(jī)目標(biāo)的視頻流，再將視頻流的第一幀設(shè)定為背景。

可選的，在檢測(cè)所述視頻圖像中的運(yùn)動(dòng)目標(biāo)的過程中，包括下列步驟：

利用幀間差分法中的三幀差分法得到運(yùn)動(dòng)目標(biāo)的初始二值圖；

對(duì)所述初始二值圖進(jìn)行形態(tài)學(xué)操作，獲得過程二值圖；

使用ViBe算法獲得計(jì)算二值圖；

對(duì)所述過程二值圖和所述計(jì)算二值圖進(jìn)行與運(yùn)算，對(duì)后續(xù)的圖像序列進(jìn)行前景目標(biāo)分割操作。

可選的，所述分類網(wǎng)絡(luò)的模型為PP-YOLO檢測(cè)網(wǎng)絡(luò)，通過收集的無(wú)人機(jī)數(shù)據(jù)集訓(xùn)練并檢測(cè)無(wú)人機(jī)。

可選的，所述無(wú)人機(jī)位置信息作為正樣本初始化KCF濾波器，建立回歸方程。

可選的，間隔固定的時(shí)間更新KCF濾波器，更新信息為PP-YOLO檢測(cè)網(wǎng)絡(luò)中置信度超過90％的無(wú)人機(jī)位置信息。