一种基于KCF混合MFO的快速运动目标跟踪方法技术

本发明专利技术提出了一种基于KCF混合MFO的快速运动目标跟踪方法，其步骤如下：初始化目标状态参数和优化模型参数；执行KCF跟踪方法计算目标在前几帧内的最大响应值，并以此求出置信度阈值初始值；依据当前帧最大响应值与置信度阈值的关系，确定不同的基样本图像产生方式：当最大响应值高于置信度阈值，随机选取基图像样本，执行KCF方法跟踪目标；当最大响应值低于置信度阈值，执行MFO搜索机制搜索全局最优解，并作为新的基图像样本，然后执行KCF方法跟踪目标；动态更新置信度阈值，重复上述操作实现快速运动目标的有效跟踪。本发明专利技术对视频中快速运动的目标能够有效地实现持续性跟踪，提高了在复杂场景下跟踪方法的适应能力。

【技术实现步骤摘要】
一种基于KCF混合MFO的快速运动目标跟踪方法
本专利技术涉及目标跟踪的
，尤其涉及一种基于KCF混合MFO的快速运动目标跟踪方法，实现目标的持续性跟踪，还包括目标在视频相邻图像帧间产生快速运动情况下的状态空间搜索机制和目标持续跟踪能力。
技术介绍
视觉跟踪问题的重点是在视频中预测移动物体的轨迹。目前，视觉跟踪已经应用于许多实际应用中，如机器人服务、自动驾驶汽车、监视、人机交互等等。视觉跟踪是一个开放且具有挑战性的问题，跟踪器必须能够在很长一段时间内跟踪目标对象，即使是在复杂的场景中，比如目标漂移和背景遮挡。在初始帧，给定目标对象的初始位置，跟踪器应该能够在跟踪过程中克服目标的外观和背景的不可预测的变化，且在后续帧中找到目标对象。近几十年来，目标跟踪研究已经取得了很大的进展，但由于许多因素，如光照变化、遮挡、背景杂乱、尺度变化、变形和快速运动等因素，在计算机视觉方面仍是一个具有挑战性的问题。另外，由于跟踪器在一个以目标位于前一帧的位置为中心的局部区域搜索目标，如果目标发生快速运动或突变运动，超出跟踪算法的局部搜索范围，且没有针对目标重新确定和重新定位的恢复机制的情况下，当跟踪器输出错误的跟踪结果时，跟踪方法从错误的跟踪结果中形成一个不准确的模型，这可能会从根本上影响跟踪性能。
技术实现思路
针对现有运动目标跟踪方法的运行效率不高和通用性差的技术问题，本专利技术提出一种基于KCF混合MFO的快速运动目标跟踪方法，将飞蛾-火焰(MFO)搜索策略引入到核相关滤波跟踪器(KCF)设计中，基于传统局部搜索算法和优化全局搜索算法相结合的，并采用动态阈值判定对目标进行重新确定，提高了运行效率，能够适应快速运动的视频目标跟踪。为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于KCF混合MFO的快速运动目标跟踪方法，其步骤如下：步骤一：读取第一帧图像的数据信息初始化目标的状态参数，设置MFO搜索和KCF跟踪方法的优化模型参数；步骤二：利用KCF跟踪方法获得最大响应值，确定跟踪目标；步骤三：根据KCF跟踪方法中设置计算置信度阈值的集合元素长度，依据目标的最大响应值，计算置信度阈值；步骤四：依据当前帧的最大响应值与置信度阈值的关系，确定不同的基样本图像产生方式：如果第nf帧的最大响应值Rmaxnf＜Thrnf-1，Thrnf-1为第nf帧的置信度阈值，采用飞蛾-火焰全局搜索获得基样本图像，确定基样本图像块区域，结合KCF方法实现目标跟踪；如果Rmaxnf≥Thrnf-1，则依据第nf帧目标在(nf-1)帧内的映射位置附近随机获得基样本图像块，执行KCF方法对运动平滑的目标进行有效跟踪；使用更新的基样本图像块构造循环矩阵；步骤五：依据最大响应更新置信度阈值，确定新的基图像样本，返回步骤二，确定跟踪目标。所述步骤二中的KCF跟踪方法获得最大响应值的方法为：A、依据跟踪目标的初始化状态确定基样本图像，产生目标候选样本集合，构造循环矩阵X：候选区域的宽度和高度分别为β*width和β*high，其中，width为目标区域的宽度，high为目标区域的高度，1≤β＜2为候选区域与目标区域的比例因子；将目标区域转换成列向量表示，得到目标样本x＝[x1,x2,…xn]，其中，n＝width*high；将目标样本x作为基样本向量，依据基样本的循环移位操作产生最终的候选样本集合，候选样本集合包含了基样本向量和其产生的(n-1)个候选样本，形成的循环矩阵如下：循环矩阵X的第一行是基样本向量的转置xT；B、跟踪问题的时域-频域转化，实现分类问题的求解：训练的目标就是求最小化平方误差下的权值w，从而获得决策函数f(z)＝wTz，将跟踪的目标样本从候选样本中分离，权值w通过下式获得：其中，xi为第i个训练样本，yi是训练样本xi对应的回归值，z是观测样本或称为候选样本，λ为控制过度拟合的正则化因子；在复数域下权值w解的向量描述形式为：w＝(XHX+λI)-1XHy；其中，I为识别矩阵，XH是循环矩阵X的共轭转换，且XH＝(X*)T，X*是循环矩阵X的复共轭矩阵；将时域的权值w转换为频率域内的表达式为：其中，为x的傅里叶变换向量，为向量的复共轭，为y的傅里叶变换值，⊙表示代表向量对应元素相乘；C、获得最大响应值，确定跟踪目标：选取候选样本z，候选样本z和目标样本x的维度相同，依据公式：其中，kxz是目标样本x和候选样本z的核相关性，决策函数值f(z)是一个维度和回归值y一样的向量，此时找出向量中最大的元素的位置就是要探测的位置，最大的元素为最大响应值Rmax。所述将时域的权值w转换为频率域进行求解的方法为：利用核技巧用目标样本x的非线性组合来表示权值非线性求解问题转换成求解系数αi和非线性映射的关系，令K＝C(kxx)，最终获得向量α的频率域表示：其中，xi表示第i个训练样本，α是系数αi组成的向量，kxx＝[k(x1,x1),k(x1,x2),k(x1,x3),...,k(x1,xn)]，kxx是循环矩阵的第一行向量，表示向量kxx的傅里叶变换值；于是目标跟踪的分类问题转换到频率域中对向量α的求解，然后经反傅里叶变换获得时域中决策函数形式，实现高效的目标跟踪过程。所述步骤三中依据目标的最大响应值，设置k为第nf帧图像的前k帧图像，计算置信度阈值的方法为：如果图像帧数nf＜k，则返回步骤二重新执行；如果图像帧数nf＝k，则确定初始置信度阈值Thr0的方法为：依据获得的前k帧的k个最大响应值，构造集合Rnf＝{Rmax1,Rmax2…Rmaxk}，则初始置信度阈值Thr0为：Thr0＝median(Rmax1,Rmax2…Rmaxk)，其中，median(·)表示对集合Rnf的元素取中间的值；如果图像帧数nf＞k，依据第nf，nf-1，nf-2，……nf-(k-1)帧获得的最大响应值动态更新集合Rnf＝{Rmax(nf),Rmax(nf-1)…Rmax(nf-(k-1))}，则第nf帧的置信度阈值为：Thrnf＝median{Rmaxnf,Rmax(nf-1)…Rmax(nf-(k-1))}。所述步骤四中飞蛾-火焰搜索策略的方法为：A1、产生初始位置，构造目标函数：随机选取num个初始化搜索代理位置M1,M2…Mnum，在各个位置上选取图像块，大小和跟踪目标相同，构造优化过程采用的目标函数；B1、更新候选图像块(火焰)位置及相似度值。分别计算搜索代理图像块与目标图像块的相似度量函数值OM＝(OM1,OM2…OMnum)。a.当当前迭代次数cur_iter等于1时，将初始化搜索代理图像块的位置及相似度值作为初始候选图像块位置及相似度量值分别保存；b.当当前迭代次数cur_iter不等于1时，将cur_iter中搜索代理图像块的相似度值与(cur_iter)-1次迭代中的候选图像块相似度值比较，选取较优的图像块组成更新后的候选图像块位置以及相似度量值并保存；将候选图像块中相似度值最大的对应图像块作为本次迭代的最优候选图像块保存在(Xbest,Ybest)中；C1、更新搜索代理位置：第m个搜索代理图像块围绕第n个候选图像块依据对数螺旋线公式进行更新搜索代理图像块的位置：P(Mm,Fn)＝Dm·eφt·cos(2πt)+Fn；其中，Mm是指第m个搜本文档来自技高网...

【技术保护点】
1.一种基于KCF混合MFO的快速运动目标跟踪方法，其特征在于，其步骤如下：步骤一：读取第一帧图像的数据信息初始化目标的状态参数，设置MFO搜索和KCF跟踪方法的优化模型参数；步骤二：利用KCF跟踪方法获得最大响应值，确定跟踪目标；步骤三：根据KCF跟踪方法中设置计算置信度阈值的集合元素长度，依据目标的最大响应值，计算置信度阈值；步骤四：依据当前帧的最大响应值与置信度阈值的关系，确定不同的基样本图像产生方式：如果第nf帧的最大响应值Rmaxnf＜Thrnf‑1，Thrnf‑1为第nf帧的置信度阈值，采用飞蛾‑火焰全局搜索获得基样本图像，确定基样本图像块区域，结合KCF方法实现目标跟踪；如果Rmaxnf≥Thrnf‑1，则依据第nf帧目标在(nf‑1)帧内的映射位置附近随机获得基样本图像块，执行KCF方法对运动平滑的目标进行有效跟踪；使用更新的基样本图像块构造循环矩阵；步骤五：依据最大响应更新置信度阈值，确定新的基图像样本，返回步骤二，确定跟踪目标。

【技术特征摘要】
1.一种基于KCF混合MFO的快速运动目标跟踪方法，其特征在于，其步骤如下：步骤一：读取第一帧图像的数据信息初始化目标的状态参数，设置MFO搜索和KCF跟踪方法的优化模型参数；步骤二：利用KCF跟踪方法获得最大响应值，确定跟踪目标；步骤三：根据KCF跟踪方法中设置计算置信度阈值的集合元素长度，依据目标的最大响应值，计算置信度阈值；步骤四：依据当前帧的最大响应值与置信度阈值的关系，确定不同的基样本图像产生方式：如果第nf帧的最大响应值Rmaxnf＜Thrnf-1，Thrnf-1为第nf帧的置信度阈值，采用飞蛾-火焰全局搜索获得基样本图像，确定基样本图像块区域，结合KCF方法实现目标跟踪；如果Rmaxnf≥Thrnf-1，则依据第nf帧目标在(nf-1)帧内的映射位置附近随机获得基样本图像块，执行KCF方法对运动平滑的目标进行有效跟踪；使用更新的基样本图像块构造循环矩阵；步骤五：依据最大响应更新置信度阈值，确定新的基图像样本，返回步骤二，确定跟踪目标。2.根据权利要求1所述的基于KCF混合MFO的快速运动目标跟踪方法，其特征在于，所述步骤二中的KCF跟踪方法获得最大响应值的方法为：A、依据跟踪目标的初始化状态确定基样本图像，产生目标候选样本集合，构造循环矩阵X：候选区域的宽度和高度分别为β*width和β*high，其中，width为目标区域的宽度，high为目标区域的高度，1≤β＜2为候选区域与目标区域的比例因子；将目标区域转换成列向量表示，得到目标样本x＝[x1,x2,…xn]，其中，n＝width*high；将目标样本x作为基样本向量，依据基样本的循环移位操作产生最终的候选样本集合，候选样本集合包含了基样本向量和其产生的(n-1)个候选样本，形成的循环矩阵如下：循环矩阵X的第一行是基样本向量的转置xT；B、跟踪问题的时域-频域转化，实现分类问题的求解：训练的目标就是求最小化平方误差下的权值w，从而获得决策函数f(z)＝wTz，将跟踪的目标样本从候选样本中分离，权值w通过下式获得：其中，xi为第i个训练样本，yi是训练样本xi对应的回归值，z是观测样本或称为候选样本，λ为控制过度拟合的正则化因子；在复数域下权值w解的向量描述形式为：w＝(XHX+λI)-1XHy；其中，I为识别矩阵，XH是循环矩阵X的共轭转换，且XH＝(X*)T，X*是循环矩阵X的复共轭矩阵；将时域的权值w转换为频率域内的表达式为：其中，为x的傅里叶变换向量，为向量的复共轭，为y的傅里叶变换值，⊙表示代表向量对应元素相乘；C、获得最大响应值，确定跟踪目标：选取候选样本z，候选样本z和目标样本x的维度相同，依据公式：其中，kxz是目标样本x和候选样本z的核相关性，决策函数值f(z)是一个维度和回归值y一样的向量，此时找出向量中最大的元素的位置就是要探测的位置，最大的元素为最大响应值Rmax。3.根据权利要求2所述的基于KCF混合MFO的快速运动目标跟踪方法，其特征在于，所述将时域的权值w转换为频率域进行求解的方法为：利用核技巧用目标样本x的非线性组合来表示权值非线性求解问题转换成求解系数αi和非线性映射的关系，令K＝C(kxx)，最终获得向量α的频率域表示：其中，xi表示第i个训练样本，α是系数αi组成的向量，kxx＝[k(x1,x1),k(x1,x2),k(x1,x3),...,k(x1,xn)]，kxx是循环矩阵的第一行向量，表示向量kxx的傅里叶变换值；于是目标跟踪的分类问题转换到频率域中对向量α的求解，然后经反傅里叶变换获得时域中决策函数形式，实现高效的目标跟踪过程。4.根据权利要求1所述的基于KCF混合MFO的快速运动目标跟踪方法，其...

【专利技术属性】
技术研发人员：张焕龙，张建伟，张杰，张秀娇，陈键，聂国豪，陈青华，孔汉，杨光露，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41