一种结合轻量级SSD的改进KCF目标跟踪方法技术

本发明专利技术公布了一种结合轻量级SSD的改进KCF目标跟踪方法，所述方法利用轻量级SSD目标检测框架对初始帧目标进行特征提取，将提取的特征依次通过预测模块、非极大值抑制模块和输出检测模块将初始帧目标信息传递给KCF进行初始化；KCF针对待跟踪目标构造循环矩阵，采用岭回归训练位置滤波器，针对尺度问题，采用二叉树尺度搜索策略，在位置滤波器确定的位置附近选择最佳尺度；针对目标跟踪中出现的遮挡问题，选用平均峰值能量作为判断指标，检测目标是否出现遮挡，根据判断结果决定是否进行模板更新。本发明专利技术有效解决了KCF目标跟踪需要手动标注跟踪目标导致的效率低下问题，在目标发生尺度变化和出现遮挡等情况下，提高了目标跟踪的精度和准确率。的精度和准确率。的精度和准确率。

【技术实现步骤摘要】
一种结合轻量级SSD的改进KCF目标跟踪方法


[0001]本专利技术属于视觉目标跟踪
，特别是一种结合轻量级SSD的改进KCF目标跟踪方法。
技术背景
[0002]运动目标的检测跟踪是计算机视觉研究领域的重要研究内容，在智能监控、军事侦察、人机交互等民用和军用领域具有重要应用。相关滤波(Correlation Filtering，CF)跟踪算法是典型的判别式方法，Bolem于2010年将信号处理领域的相关性引入计算机视觉领域，提出最小平方误差输出和MOSSE滤波器，在跟踪速度上达到了惊人的615FPS。在此基础上，CSK算法扩展了密集采样，并采用核技巧在低维空间实现高维运算，避免了维数灾难。基于核相关滤波的KCF跟踪算法在CSK基础上进一步扩展了fHOG特征，并利用循环矩阵在频域空间可对角化的特性大大减小了算法运算量，提高了跟踪速度。虽然基于核相关滤波的目标跟踪算法在速度上表现良好，但是直接用来处理无人机视角下拍摄的视频序列效果不尽如人意，特别是当无人机拍摄的图片存在目标尺度变化、形变、遮挡等复杂情况，往往导致传统核相关滤波算法容易跟踪失败。Martin提出DSST算法，在二维位置滤波器的基础上引入尺度滤波器，在目标中心位置处采集33种尺度进行相似度对比，选取响应最大值作为目标最佳匹配尺度，但是由于采用的暴力匹配方法，算法运算复杂度较高；其次，由于初始帧目标确定都是靠手工标注，降低了算法运行的实时性。

技术实现思路

[0003]本专利技术的目的在于提供一种结合轻量级SSD的改进KCF目标跟踪方法，该方法首先采用一种轻量级结构的SSD目标检测算法对待跟踪序列中的初始位置目标进行定位；其次，引入了一种尺度二叉树搜索策略，降低了算法运算量；最后采用一种新的模型更新策略，当目标存在遮挡等情况时进行模板更新，改善了跟踪效果。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]一种结合轻量级SSD的改进KCF目标跟踪方法，包括：
[0006]步骤一，初始化网络参数，设置目标监测网络标签为待跟踪对象，将初始标签输入网络；
[0007]步骤二，将待跟踪图像序列首帧图片输入至目标检测网络部分，利用深度可分离卷积块对初始帧图片进行特征提取；
[0008]步骤三，将特征提取后的图片经过预测模块和非极大值抑制模块，与初始标签相比较后输出检测到的目标坐标值，并传递给目标跟踪网络；
[0009]步骤四，接收步骤三传递的初始值，框选出对应目标位置，初始化KCF滤波器模板，构造循环矩阵，训练位置滤波器；
[0010]步骤五，构造尺度滤波器，利用尺度二叉树搜索策略在位置滤波器生成的位置附近选择目标的最佳尺度；
[0011]步骤六，获取最佳尺度下的目标所获得的高斯响应，利用APCE判据进行判断，若满足模板更新条件，则进行模板更新，帧数加一并返回步骤五，直到跟踪结束；若不满足模板更新条件，则返回步骤二对目标进行重新检测，直到跟踪结束；
[0012]第七步，输出跟踪结果，跟踪结束。
[0013]本专利技术具有以下优点：
[0014]1.本专利技术针对目标跟踪中首帧目标手工标注的问题，采用一种检测网络对初始帧目标进行定位，利用深度可分离卷积结构的运算量较低的特点将其与目标跟踪网络相结合，避免了手工标注的时间损耗。
[0015]2.本专利技术针对跟踪过程中尺度变化问题和目标遮挡问题，分别采用二叉树尺度搜索策略和平均峰值能量判据进行改进，使得目标在跟踪过程中出现尺度变化和遮挡等复杂情况时能够进行较为准确的跟踪定位。
[0016]附图表说明
[0017]图1为本专利技术方法的整体框架图
[0018]图2为深度可分离卷积示意图
[0019]图3为尺度选择二叉树示意图
[0020]图4为本专利技术方法与相关滤波类算法跟踪效果对比
[0021]图5为本专利技术方法与相关滤波算法在SRE模式下成功率和精确度比较
[0022]图6为本专利技术方法与相关滤波算法在遮挡情况下成功率和精确度比较
具体实施方式
[0023]结合所附图表，对本专利技术技术方案做具体说明。
[0024]如图1所示，本专利技术的一种结合轻量级SSD的改进KCF目标跟踪方法，具体包括以下步骤：
[0025]步骤1，初始化网络参数，设置目标检测网络标签为待跟踪对象，将初始标签输入网络，每次跟踪前保存对应的标签；
[0026]步骤2，将待跟踪图像序列首帧图片输入至目标检测网络部分，利用深度可分离卷积块对图片进行特征提取，深度可分离卷积示意图如图2所示，对待处理特征图先用3*3*n的滤波器进行特征提取，其中n表示输入特征图的通道数，再利用1*1*m卷积融合不同通道之间的信息，其中m表示输出特征图的通道数；
[0027]步骤3，将特征提取后的图片经过预测模块和非极大值抑制模块，在预测过程中，对每个预测框根据其类别置信度确定其类别与置信度，保存与步骤1输入标签相同的对象置信度最高的预测框作为目标坐标初始值，将其传递给目标跟踪网络；
[0028]步骤4，接收步骤3传递的目标坐标初始值，对目标构造循环矩阵，利用高斯核函数，在核空间对样本进行脊回归操作来求解分类器，具体如下：
[0029]α＝(K+λI)
‑1y
ꢀꢀꢀꢀꢀꢀ
(8)
[0030]式中，K＝φ(X)φ(X)
T
为核空间的核矩阵，其中，φ(X)为非线性映射函数，y为标签向量，λ为正则化参数。由于K为循环矩阵，利用循环矩阵的性质，将式(8)进行求解可得到：
[0031][0032]式中，为核矩阵K＝φ(X)φ(X)
T
的第一行数据，即循环矩阵中的基样本。对于下一帧样本z通过特征提取和循环矩阵可得到样本集Z，与训练样本集X共同构成核循环矩阵KZ，目标最优位置由下式所示：
[0033][0034]步骤5，构造尺度滤波器，在步骤4得到的最优位置附近，利用二叉树尺度搜索策略为确定最优尺度，二叉树尺度选择示意图如图3所示，每个节点定义三个属性，分别为尺度值、上节点a、下节点b，假设第t
‑
1帧中跟踪目标初始大小为S，由式(10)计算出第t帧目标响应最大值为随后，选取S
i，j
＝σ
i，j
·
S，其中i表示尺度树第i层，j∈{a，b}，分别表示第i层尺度树的上下两个子分支，选择的尺度值满足如下条件：
[0035][0036]当扩大(缩小)候选区域时，若目标响应值大于原始响应值，选取较大尺度分支；若目标响应值小于原始响应值，则选取较小分支，直至选出最佳尺度；
[0037]步骤6，获取最佳尺度下的目标所获得的高斯响应，利用APCE判据判断目标的跟踪效果，APCE反映了跟踪响应图的峰值水平和平均波动程度，具体计算公式为：
[0038][0039]式中，F
max
、F
min
分别表示响应图上的最大值和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合轻量级SSD的改进KCF目标跟踪方法，其特征在于，包括以下步骤：步骤一，初始化网络参数，设置目标监测网络标签为待跟踪对象，将初始标签输入网络；步骤二，将待跟踪图像序列首帧图片输入至目标检测网络部分，利用深度可分离卷积块对初始帧图片进行特征提取；步骤三，将特征提取后的图片经过预测模块和非极大值抑制模块，与初始标签相比较后输出检测到的目标坐标值，并传递给目标跟踪网络；步骤四，接收步骤三传递的初始值，框选出对应目标位置，初始化KCF滤波器模板，构造循环矩阵，训练位置滤波器；步骤五，构造尺度滤波器，利用尺度二叉树搜索策略在位置滤波器生成的位置附近选择目标的最佳尺度；步骤六，获取最佳尺度下的目标所获得的高斯响应，利用APCE判据进行判断，若满足模板更新条件，则进行模板更新，帧数加一并返回步骤五，直到跟踪结束；若不满足模板更新条件，则返回步骤二对目标进行重新检测，直到跟踪结束；第七步，输出跟踪结果，跟踪结束。2.根据权利要求1所述的一种结合轻量级SSD的改进KCF目标跟踪方法，其特征在于，所述步骤二利用深度可分离卷积块对初始帧图片进行特征提取，具体为：对输入图像首先采用3*3*n的滤波器进行特征提取，然后在提取后生成的特征图上通过1*1*m卷积融合不同通道之间的信息，其中n表示输入特征图的通道数，m表示输出特征图的通道数；采用深度可分离卷积进行运算后，计算量为：D
K
×
D
K
×
M
×
D
F
×
D
F
+M
×
N
×
D
F
×
D
F
ꢀꢀꢀꢀ
(1)式中，D
K
为输入图像的大小，M为输入图像的通道数，D
F
为输出特征图的大小，N为输出通道数。3.根据权利要求1所述的一种结合轻量级SSD的改进KCF目标跟踪方法，其特征在于，所述步骤五构造尺度滤波器，利用尺...

【专利技术属性】
技术研发人员：丁勇，汪常建，聂志诚，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：