[發明專利]基于KCF的目標尺寸自適應的目標跟蹤方法及系統

在審

• 申請號: 202210981740.2
• 申請日: 2022-08-16
• 公開（公告）號: CN115330831A
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 倪健;袁明明;王凱;王濤
• 申請（專利權）人: 浪潮通信信息系統有限公司
• 主分類號: G06T7/223
• 分類號: G06T7/223;G06V20/52;G06V20/40;G06V10/764;G06V10/774;G06V10/50;G06V10/82
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

本發明公開了基于KCF的目標尺寸自適應的目標跟蹤方法及系統，屬于人工智能視頻分析領域，本發明要解決的技術問題為監控場景中運動目標尺寸變化大導致的跟蹤丟失以及運動目標跟蹤速度慢，采用的技術方案為：該方法具體如下：初始化：完成KCF目標根據算法的快速分類器初始化：讀取視頻序列中的幀圖像數據，并提取幀圖像數據中的待跟蹤目標的圖像塊；構建循環樣本矩陣：使用待跟蹤目標周圍區域的循環矩陣密集采集正負樣本，作為分類器的訓練樣本；提取樣本LBP特征：基于LBP特征提取方法提取樣本圖像的LBP特征向量，用于快速分類器訓練；快速分類器訓練：利用構造的樣本訓練快速分類器；快速目標檢測；更新圖像塊。

技術領域

本發明涉及人工智能視頻分析領域，具體地說是一種基于KCF的目標尺寸自適應的目標跟蹤方法及系統。

背景技術

近年來，隨著對智能交通、明廚亮灶、智慧園區等安防場景的需求越來越多，加快了視頻監控系統的建設，同時基于視頻監控數據對各類場景中的重點目標和行為進行捕獲的需求也日益強烈。比如明廚亮灶場景就有是否佩戴口罩的檢測、是否佩戴廚師服和廚師帽的識別、老鼠檢測、抽煙等行為識別以及特定區域的人員身份識別等視頻分析需求。對于目標類的檢測和識別因目標會存在一段時間而容易出現重復報警的問題；而行為類的識別則通常需要經過一段時間的判定，比如入侵檢測就需要判定有入侵的過程才是有效的入侵檢測判定。因此，需要對目標及與行為關聯的目標實現目標跟蹤，即關聯前后幀圖片中的同一個目標。和目標檢測一樣，目標跟蹤也是計算機視覺中的基本需求，在很早以前便有很多研究人員對目標跟蹤進行技術研究，從最早期的均值漂移算法到現在基于深度學習的跟蹤方法，涌現出了很多思想新穎、邏輯嚴密且效果良好的跟蹤方法，如Deep Sort、GOTURN、KCF等。這里對目前較為常用的幾種跟蹤方法具體如下：

(一)Deep Sort是多目標跟蹤算法：基本思想是tracking-by-detection，利用運動模型和外觀信息進行數據關聯，運行速率主要由檢測算法所決定(測試過一幀需要52ms,其中檢測就占了39ms)。算法對每一幀進行目標檢測，后續通過帶權值的匈牙利匹配算法對之前的運動軌跡和當前檢測對象進行匹配，形成物體的運動軌跡。權值由點和運動軌跡的馬氏距離及圖像塊的相似性(這里用向量的余弦距離)加權求和得到。kalman濾波在計算馬氏距離時，用于預測運動分布的協方差矩陣。

(二)GOTURN是第一個做到100FPS的深度學習目標跟蹤算法：其核心在于不對patch進行classification，而是對object的bounding-box進行回歸，以獲得更高的FPS。兩種假設：網絡比較前后兩幀，并找到目標在當前幀的位置，有點verification的意思；網絡就像一個通用的object detector，找到最近的目標。當當前幀出現較為嚴重的遮擋/相機運動，此時tracker可以從前一幀中獲得非常大的性能提升，因為tracker記住了哪個objcet是要跟蹤的，這種情況中，第一個假設扮演了重要的角色。而當幀間變化劇烈時，相鄰幀的比較更為困難，此時假設二占主導，tracker表現的像一個通用object detector。

(三)KCF全稱為Kernel Correlation Filter核相關濾波算法，是一種鑒別式追蹤方法，即這類方法一般都是在追蹤過程中訓練一個目標檢測器，使用目標檢測器去檢測下一幀預測位置是否是目標，然后再使用新檢測結果去更新訓練集進而更新目標檢測器。而在訓練目標檢測器時一般選取目標區域為正樣本，目標的周圍區域為負樣本，當然越靠近目標的區域為正樣本的可能性越大。