[發明專利]針對快速運動和運動模糊的核化相關濾波算法

在審

• 申請號: 202110389746.6
• 申請日: 2021-04-12
• 公開（公告）號: CN112926693A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 崔麗群;李明;張俊東
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;韓惠琴

本發明公開了一種針對快速運動和運動模糊的核化相關濾波算法。首先在KCF算法中建立一個FM(Fast Motion)檢測器，當檢測器監測到目標發生了快速運動當前幀跟蹤結果作廢，以上一幀目標框為中心擴大當前幀目標尋找范圍，范圍內對相關濾波器用滑窗法得到目標可能位置的坐標分布；對該位置分布進行K?means聚類，找出分布規律得到M個位置分布域，分布域中以類簇心為中心進行相關濾波定位目標中心位置，得到M個目標中心候選點；通過計分器選出最佳目標中心點。本發明在保證實時性的情況下提高了KCF算法對目標快速運動和運動模糊的魯棒性，并為多特征融合提供一種新的思路。

技術領域

本發明屬于圖形圖像處理的技術領域，尤其涉及一種針對快速運動和運動模糊的核化相關濾波算法。

背景技術

視覺目標跟蹤是計算機視覺的一個重要分支，在視頻智能交通監控、機器人、監控、人機交互等領域得到了廣泛的應用。根據目標外觀模型將目標跟蹤算法分為生成式算法與判別式跟蹤算法。近年來，隨著機器學習的興起，判別式跟蹤方法由于能同時利用目標信息和目標周圍背景信息并具有良好的跟蹤新能而逐漸占據了主導地位。

判別式跟蹤方法通過訓練數據學習到一個分類模型來區分前景和背景。以目標所在區域為正樣本，背景區域為負樣本，進行分類器的訓練，分類器預測的最高分數所在位置就是目標所在的位置，這種方法也稱為檢測跟蹤方法，其中代表性的算法有基于分類跟蹤的深度學習方法和基于支持向量機的跟蹤算法等。核相關濾波目標跟蹤就是基于支持向量機跟蹤算法的一種。

信號的相關性是信號學用來描述兩個信號的相似程度，一般情況下，相關性計算可以通過卷積來實現。相關性計算方式與卷積很相似，但也有區別。計算圖像某一區域與濾波器的相關性，就是計算將濾波器順時針旋轉180度后與該區域的卷積。

Bolme等人在2010年首次將相關濾波應用于目標跟蹤領域，利用快速傅里葉變換和卷積定理在頻域中最小化期望響應和濾波器與目標區域的循環相關之間的均方誤差和，得到最小平方和誤差濾波器(MOSSE)。MOSSE作為相關濾波跟蹤算法的開山鼻祖，將目標跟蹤跟與以往經典的目標跟蹤算法劃分開來，其跟蹤速度高達每秒600多幀，雖然跟蹤精度不太理想，但與傳統的跟蹤算法相比大大提高了跟蹤算法的實時性。

在MOOSE算法的基礎上，出現了許多改進的相關濾波算法。Henriques等人將循環矩陣及核技巧引入MOOSE算法，利用灰度特征構建循環結構檢測跟蹤算法(CSK)，提高了MOOSE算法的跟蹤精度。此外，Danelljan等人利用顏色屬性表示輸入數據，自適應選擇魯棒顏色特征進行跟蹤(CN)；Henriques等人提出了核化相關濾波器(KCF)算法，擴充了CSK，在其中引入不同的核方法以及方向梯度直方圖(HOG)特征，提高了相關濾波視頻目標跟蹤算法的精度。Chen等將模糊邏輯系統(TSK-FLS)引入經典KCF算法提出了MFKCF(Multi fuzzykernel correlation filter)，該算法針對目標快速運動的跟蹤精度有明顯提升。

以上方法在目標快速移動和運動模糊時，會丟失目標或者影響跟蹤精度。

發明內容

基于以上現有技術的不足，本發明所解決的技術問題在于提供一種針對快速運動和運動模糊的核化相關濾波算法。

為了解決上述技術問題，本發明通過以下技術方案來實現：

本發明提供的針對快速運動和運動模糊的核化相關濾波算法，包括以下步驟：

步驟1：在KCF的框架中建立一個檢測器，檢測器檢測到兩幀之間跟蹤失敗，停止更新濾波器模板，拋掉當前預測位置，擴大目標尋找范圍；

步驟2：以上一幀目標框為中心擴大當前幀目標尋找范圍內用相關濾波器模板以滑動窗口的方式快速檢測N個目標候選中心點，對N個點進行K-means聚類，聚成M類；