[发明专利]基于KCF自适应多特征融合滤波水面无人船跟踪方法、系统及存储介质

说明书

本发明提供一种基于KCF自适应多特征融合滤波水面无人船跟踪方法、装置及存储介质。方法包括：获取当前图像并通过位置相关滤波器采集第一候选样本；将所述第一候选样本送入第一位置寻优通道和第二位置寻优通道；将所述第一目标位置和第二目标位置自适应加权融合得到最终位置，通过尺度相关滤波器在最终位置处采集第二候选样本；将所述第二选样本送入尺度位置寻优通道，所述尺度位置寻优通道用于提取样本的HOG特征并基于该特征获取目标尺度；在最终位置处以目标尺度提取下一帧样本。本发明采用多特征融合滤波水面无人船跟踪，在KCF跟踪算法中加入尺度滤波器来解决尺度变化问题。

技术领域

本发明涉及视觉跟踪技术领域，具体而言，尤其涉及一种基于KCF自适应多特征融合滤波水面无人船跟踪方法、系统及存储介质。

背景技术

目标跟踪技术作为一门跨学科的前沿技术，融合了图像处理、模式识别、人工智能、自动控制等多种不同领域的理论知识。它作为计算机视觉的热点之一目前被广泛的应用于各个领域，尤其是在现代监控，障碍规避等方面。而无人船执行跟踪任务通常要面对障碍物和停泊的船只等静态障碍物，还有正在行驶中的船舶等动态障碍物，由于无人艇的机动性能的限制，传感器的感知范围有限，目标的运动能力未知，还有复杂的航行环境，利用手工操舵也不能完全保证全程的控制行为最优，可能出现目标丢失和能量过度损耗等情况，因此对水面无人船进行视觉智能跟踪就有很大的研究意义。Henriques等人在已有相关滤波跟踪技术的基础上提出核相关相关滤波器(KCF)跟踪算法，使用方向梯度直方图(HOG)特征代替原来的灰度值特征，将相关相关滤波器由单通道扩展到多通道，提升了跟踪的准确性和实时性。但当水面无人船在目标尺度大小变化、形状变化以及复杂水面环境如光照变化，背景颜色变化等情况，会造成跟踪发生漂移，造成跟踪失败。

发明内容

根据上述提出的现有方法使用时发生跟踪漂移或者跟踪失败的技术问题，而提供一种基于KCF自适应多特征融合滤波水面无人船跟踪方法、系统及存储介质。本发明采用多特征融合滤波水面无人船跟踪，在KCF跟踪算法中加入尺度相关滤波器来解决尺度变化问题，针对特征提取情况采用多特征融合来有效解决跟踪过程中水面环境复杂造成的特征提取错误的信息，避免造成跟踪失败的问题。

本发明采用的技术手段如下：

本发明提供了一种基于KCF自适应多特征融合滤波水面无人船跟踪方法，包括：

获取当前图像并通过位置相关滤波器采集第一候选样本；

将所述第一候选样本送入第一位置寻优通道和第二位置寻优通道，所述第一位置寻优通道用于提取样本的HOG特征并基于该特征获取第一目标位置，所述第二位置寻优通道用于提取样本的CN特征并基于该特征获取第二目标位置；

将所述第一目标位置和第二目标位置自适应加权融合得到最终位置，

通过尺度相关滤波器在最终位置处采集第二候选样本；

将所述第二选样本送入尺度位置寻优通道，所述尺度位置寻优通道用于提取样本的HOG特征并基于该特征获取目标尺度；

在最终位置处以目标尺度提取下一帧样本。

进一步地，在最终位置处以目标尺度提取下一帧样本，还包括：

在最终位置处以目标尺度提更新位置相关滤波器和尺度相关滤波器。

进一步地，所述位置相关滤波器使用目标周围区域的循环矩阵采集预测样本，利用所述预测样本训练分类器，所述分类器输出下一帧图像的最佳位置，所述最佳位置为预测样本中针对分类器响应值最大的位置。

进一步地，所述位置相关滤波器使用目标周围区域的循环矩阵采集预测样本，利用所述预测样本训练分类器，包括：

将所述下一帧图像的最佳位置周围区域的循环矩阵采集预测样本作为训练样本更新所述分类器。