[发明专利]针对快速运动和运动模糊的核化相关滤波算法

说明书

本发明公开了一种针对快速运动和运动模糊的核化相关滤波算法。首先在KCF算法中建立一个FM(Fast Motion)检测器，当检测器监测到目标发生了快速运动当前帧跟踪结果作废，以上一帧目标框为中心扩大当前帧目标寻找范围，范围内对相关滤波器用滑窗法得到目标可能位置的坐标分布；对该位置分布进行K‑means聚类，找出分布规律得到M个位置分布域，分布域中以类簇心为中心进行相关滤波定位目标中心位置，得到M个目标中心候选点；通过计分器选出最佳目标中心点。本发明在保证实时性的情况下提高了KCF算法对目标快速运动和运动模糊的鲁棒性，并为多特征融合提供一种新的思路。

技术领域

本发明属于图形图像处理的技术领域，尤其涉及一种针对快速运动和运动模糊的核化相关滤波算法。

背景技术

视觉目标跟踪是计算机视觉的一个重要分支，在视频智能交通监控、机器人、监控、人机交互等领域得到了广泛的应用。根据目标外观模型将目标跟踪算法分为生成式算法与判别式跟踪算法。近年来，随着机器学习的兴起，判别式跟踪方法由于能同时利用目标信息和目标周围背景信息并具有良好的跟踪新能而逐渐占据了主导地位。

判别式跟踪方法通过训练数据学习到一个分类模型来区分前景和背景。以目标所在区域为正样本，背景区域为负样本，进行分类器的训练，分类器预测的最高分数所在位置就是目标所在的位置，这种方法也称为检测跟踪方法，其中代表性的算法有基于分类跟踪的深度学习方法和基于支持向量机的跟踪算法等。核相关滤波目标跟踪就是基于支持向量机跟踪算法的一种。

信号的相关性是信号学用来描述两个信号的相似程度，一般情况下，相关性计算可以通过卷积来实现。相关性计算方式与卷积很相似，但也有区别。计算图像某一区域与滤波器的相关性，就是计算将滤波器顺时针旋转180度后与该区域的卷积。

Bolme等人在2010年首次将相关滤波应用于目标跟踪领域，利用快速傅里叶变换和卷积定理在频域中最小化期望响应和滤波器与目标区域的循环相关之间的均方误差和，得到最小平方和误差滤波器(MOSSE)。MOSSE作为相关滤波跟踪算法的开山鼻祖，将目标跟踪跟与以往经典的目标跟踪算法划分开来，其跟踪速度高达每秒600多帧，虽然跟踪精度不太理想，但与传统的跟踪算法相比大大提高了跟踪算法的实时性。

在MOOSE算法的基础上，出现了许多改进的相关滤波算法。Henriques等人将循环矩阵及核技巧引入MOOSE算法，利用灰度特征构建循环结构检测跟踪算法(CSK)，提高了MOOSE算法的跟踪精度。此外，Danelljan等人利用颜色属性表示输入数据，自适应选择鲁棒颜色特征进行跟踪(CN)；Henriques等人提出了核化相关滤波器(KCF)算法，扩充了CSK，在其中引入不同的核方法以及方向梯度直方图(HOG)特征，提高了相关滤波视频目标跟踪算法的精度。Chen等将模糊逻辑系统(TSK-FLS)引入经典KCF算法提出了MFKCF(Multi fuzzykernel correlation filter)，该算法针对目标快速运动的跟踪精度有明显提升。

以上方法在目标快速移动和运动模糊时，会丢失目标或者影响跟踪精度。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种针对快速运动和运动模糊的核化相关滤波算法。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供的针对快速运动和运动模糊的核化相关滤波算法，包括以下步骤：

步骤1：在KCF的框架中建立一个检测器，检测器检测到两帧之间跟踪失败，停止更新滤波器模板，抛掉当前预测位置，扩大目标寻找范围；

步骤2：以上一帧目标框为中心扩大当前帧目标寻找范围内用相关滤波器模板以滑动窗口的方式快速检测N个目标候选中心点，对N个点进行K-means聚类，聚成M类；