[发明专利]一种基于KCF的目标追踪算法

说明书

本发明提供了一种基于KCF的目标追踪算法，采用KCF与OD交替处理视频帧，OD准确性高，KCF不依赖算力资源，这种组合的方法实现了24fps的目标追踪，获得更完整的追踪信息，能够在算力有限的芯片上部署，实现逐帧追踪目标。

技术领域

本发明涉及目标跟踪技术领域，特别涉及一种基于KCF的目标追踪算法。

背景技术

目前主流的目标追踪算法大多是基于深度学习，对于算力资源的要求很高，无法在芯片等算力有限的边缘设备上部署，或难以实现高帧率的追踪效果。

基于传统人工特征的目标追踪算法，需要预先指定初始目标，追踪器提取目标的人工特征，在后续帧中搜索与初始目标特征最相似的区域，作为目标的新位置完成追踪。但其缺点是：由于人工特征的局限性，容易受到背景噪声等影响，产生追踪误差甚至追踪失败，所以此方法追踪准确性低，不适合长时间追踪。

基于深度学习的目标追踪算法，Sort算法使用目标检测模型检测出每一帧中的目标，再根据前后帧各目标之间的位置关系，关联目标实现追踪。但其缺点是：对算力资源要求高，此方法只考虑目标位置关系，忽略了目标的外观特征，追踪准确性差，容易出现多个目标追踪错乱。

基于深度学习的目标追踪算法，DeepSort算法在Sort算法的基础上，引入了特征提取模型，用于计算每个目标的特征向量，通过对比前后帧目标特征的相似程度，关联目标实现追踪，准确性很高。但其缺点是：采用多个深度学习模型，算力资源要求极高。

发明内容

本发明的目的在于提供一种基于KCF的目标追踪算法，采用KCF与OD交替处理视频帧，在算力资源有限的条件下，确保在边缘设备的逐帧追踪，兼顾了追踪速度与准确性。

为解决上述技术问题，本发明提供一种基于KCF的目标追踪算法，包括：采用KCF与OD交替处理视频帧，以逐帧追踪目标。

可选的，采用OD处理第1帧视频，采用KCF处理第2帧至第N帧视频，采用OD处理第N+1帧视频，其中N为大于等于2的整数。

可选的，N为小于等于7的整数。

可选的，采用OD处理第N+1帧视频之后，采用最新的OD结果修正KCF追踪器。

可选的，通过判断KCF的历史追踪效果来决定是否由KCF切换到OD；若KCF在历史帧中追踪效果好，则继续由KCF处理视频帧，若追踪效果变差，则切换到OD。

可选的，KCF的追踪效果由响应矩阵表示，在越靠近追踪目标的位置，KCF追踪器响应越大，整体分布呈单峰状，KCF追踪效果越好，峰的锐度越高，KCF追踪效果越差，峰的锐度越低。

可选的，获得所述响应矩阵的方法包括：采用KCF追踪器学习目标的特征，在目标周围遍历计算响应，响应表示当前位置图形与目标的相似程度，通过遍历得到响应矩阵。

可选的，计算KCF的平均响应锐度，若响应锐度大于阈值，则继续由KCF处理视频帧，并更新模板；若响应锐度小于阈值，则切换到OD，由OD处理视频帧，并修正KCF追踪器模板。

可选的，当OD检测到多个目标时，在修正KCF追踪器模板之前，所述目标追踪算法还包括：

上一帧的每个KCF追踪器分别在当前目标处计算响应，作为该追踪器与该目标的外观相似度；

计算前后帧目标之间的位置关系；

根据响应与位置进行匹配。

可选的，上一帧的KCF追踪器分别在不同目标的位置计算响应，相同目标的响应值高于不同目标的响应值。