改进食肉植物算法优化的车辆长期目标跟踪方法技术

本发明专利技术公开了一种改进食肉植物算法优化的车辆长期目标跟踪方法，提取跟踪区域方向梯度直方图作为特征模板，基于巴氏距离相似度函数设计了一种食肉植物算法跟踪框架；其次，设计了一种短期记忆模块来预测跟踪过程中食肉植物算法的初始化个体，同时，在迭代过程中设计了一种随机跟随策略及种群划分机制，并作为搜索策略引入跟踪框架中；在方向梯度直方图基础上融合了

【技术实现步骤摘要】
改进食肉植物算法优化的车辆长期目标跟踪方法


[0001]本专利技术涉及目标跟踪
，具体涉及一种改进食肉植物算法优化的车辆长期目标跟踪方法
。

技术介绍

[0002]无人机对车辆的跟踪是计算机视觉研究的一个重要方向，不仅可以从空中追踪运动轨迹，还能为智能化交通提供科学可靠的数据来源，在交通监视和检测等领域具有重要的实用价值
。
跟踪过程中通过给定第一帧的跟踪目标，预测后续每帧目标的位置与尺度
。
但是由于无人机视角存在光照变换
、
相似物干扰和遮挡等外界因素，以及快速运动和旋转等目标姿态变化的影响，导致跟踪效果较差
。
针对上述问题，设计高精度和实时目标跟踪方法非常重要
。
当前主流跟踪模型可分为深度学习及相关滤波两类
。
相关滤波跟踪算法具有自身鲁棒性强以及速度快的特点，自
2010
年相关滤波跟踪算法
MOSSE
被提出后，衍生了
CN、KCF、SRDCF、FDSST
和
ECO
等各类相关跟踪算法，但这些算法应对快速运动
、
遮挡，形变等情况时跟踪效果有限，仍需进一步改进
。2014
年之后，深度学习跟踪算法逐渐成为学术研究的主流，
DLT
首先将深度学习引入到目标跟踪领域后，其它知名跟踪算法有
MDNet、SiamFC
等版本，但是深度学习跟踪算法非常依赖数据集和高性能计算平台，过度耗费算力
。
近年来，随着群体智能算法
(Swarm Intelligence,SI)
的快速发展且展现出了较好的优化能力，基于
SI
优化的目标跟踪算法成为新的研究热点
。Ong K.M.
等基于改进的花朵授粉算法搜索窗口来定位移动对象的位置，但该算法仅靠提取对象外观的
HSV
直方图，对目标表述能力较弱；
Nenavath
等提出了一种基于教学优化与正余弦优化混合的跟踪算法，优化能力和跟踪性能较好，但尺度适应能力较差；
Zhang
等提出了一种基于扩展蚁群优化算法和正弦余弦算法的混合算法，在突发运动跟踪方面，具有很强的竞争力，但该方法利用大量迭代确保跟踪精度，导致耗时较大；
Ong P.
等利用花粉授粉算法跟踪运动员，在跟踪精度和处理时间等方面表现较好，但在遮挡情况下跟踪效果较差
。
以上证明了群体智能算法在优化目标跟踪方面的可行性
。
食肉植物算法
(Carnivorous Plant Algorithm,CPA)
是
Ong K M
在
2020
年提出的一种新的群智能算法，特点是控制参数少
、
适应性强，模型易修改
、
鲁棒性较强且易于实现
。CPA
可应用于最优控制器设计
、
图像处理等相关领域，但其优化能力仍有进一步提升空间
。

技术实现思路

[0003]本专利技术的目的在于提供一种改进食肉植物算法优化的车辆长期目标跟踪方法，以解决无人机对车辆跟踪过程出现背景杂乱
、
快速运动
、
遮挡等复杂状况而导致的跟踪失败问题，本专利技术设计了一种基于随机跟随策略及种群划分机制的
CPA
方法
(CPAwith Random Follow Strategy
‑
population Division Mechanism,RDCPA)
来优化无人机对车辆目标的跟踪过程，能够有效提高跟踪精度
。
[0004]为达到上述目的，本专利技术采用如下技术方案：
[0005]改进食肉植物算法优化的车辆长期目标跟踪方法，包括以下步骤：
[0006]步骤1：从车辆视频序列的第
t
帧定位跟踪目标，获得第
t
帧的目标位置信息，对跟踪目标进行特征提取，得到第
t
帧的目标模板
γ
(t)
；
[0007]步骤2：基于目标模板，利用改进的食肉植物算法搜寻若干目标候选框；
[0008]步骤3：基于若干目标候选框从车辆视频序列的第
t+1
帧中生成若干候选模板；
[0009]步骤4：将第
t+1
帧提取的候选模板与第
t
帧提取的目标模板进行相似度匹配，选出最优相似度的侯选模板对应的目标候选框作为第
t+1
帧的跟踪目标，对跟踪目标进行特征提取，得到第
t+1
帧的目标模板
γ
best
(t+1)
；
[0010]步骤5：将第
t+1
帧目标模板和第
t
帧目标模板通过模板学习机制进行融合，得到新的目标模板
γ
(t+1)
，重复步骤2‑5，直到视频序列的最后一帧
。
[0011]进一步地，所述对跟踪目标进行特征提取，具体为：
[0012]将跟踪目标的
FHOG
特征与深度特征进行加权融合，所述深度特征采用在
ImageNet
训练结果达到
75
％的
ResNet
‑
50
网络模型提取，所述深度特征包括
ResNet
‑
50
网络模型中
Conv2
‑1特征与
Conv4
‑3特征，故目标模板
γ
(t)
表示如下：
[0013]γ
(t)
＝
λ1γ
Conv2
‑1(t)+
λ2γ
Conv4
‑3(t)+
λ3γ
FHOG
(t)
[0014]其中，，
γ
Conv2
‑1、
γ
Conv4
‑3和
γ
FHOG
分别代表跟踪目标的
Conv2
‑1特征
、Conv4
‑3特征及
FHOG
特征，
λ1、
λ2和
λ3为特征融合系数
。
[0015]进一步地，
λ1＝
0.8
，
λ2＝
0.5
和
λ3＝
0.5。
[0016]进一步地，所述基于目标模板，利用改进的食肉植物算法搜寻若干目标候选框，具体包括：
[0017]步骤
2.1
：基于第
t
帧的目标位置信息，通过短期记忆模块获得第
t+1
帧的若干目标位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，包括以下步骤：步骤1：从车辆视频序列的第
t
帧定位跟踪目标，获得第
t
帧的目标位置信息，对跟踪目标进行特征提取，得到第
t
帧的目标模板
γ
(t)
；步骤2：基于目标模板，利用改进的食肉植物算法搜寻若干目标候选框；步骤3：基于若干目标候选框从车辆视频序列的第
t+1
帧中生成若干候选模板；步骤4：将第
t+1
帧提取的候选模板与第
t
帧提取的目标模板进行相似度匹配，选出最优相似度的侯选模板对应的目标候选框作为第
t+1
帧的跟踪目标，对跟踪目标进行特征提取，得到第
t+1
帧的目标模板
γ
best
(t+1)
；步骤5：将第
t+1
帧目标模板和第
t
帧目标模板通过模板学习机制进行融合，得到新的目标模板
γ
(t+1)
，重复步骤2‑5，直到视频序列的最后一帧
。2.
根据权利要求1所述的改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，所述对跟踪目标进行特征提取，具体为：将跟踪目标的
FHOG
特征与深度特征进行加权融合，所述深度特征采用在
ImageNet
训练结果达到
75
％的
ResNet
‑
50
网络模型提取，所述深度特征包括
ResNet
‑
50
网络模型中
Conv2
‑1特征与
Conv4
‑3特征，故目标模板
γ
(t)
表示如下：其中，，
γ
Conv2
‑1、
γ
Conv4
‑3和
γ
FHOG
分别代表跟踪目标的
Conv2
‑1特征
、Conv4
‑3特征及
FHOG
特征，
λ1、
λ2和
λ3为特征融合系数
。3.
根据权利要求2所述的改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，
λ1＝
0.8
，
λ2＝
0.5
和
λ3＝
0.5。4.
根据权利要求2所述的改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，所述基于目标模板，利用改进的食肉植物算法搜寻若干目标候选框，具体包括：步骤
2.1
：基于第
t
帧的目标位置信息，通过短期记忆模块获得第
t+1
帧的若干目标位置信息；步骤
2.2
：基于短期记忆模块的若干位置信息，利用改进的食肉植物算法搜寻更多的目标位置信息，获取目标候选框的位置；步骤
2.3
：基于改进的食肉植物算法获取到的更多目标位置信息，在各个目标位置处利用比例感知因子获取目标的尺度信息，确定目标候选框的大小
。5.
根据权利要求4所述的改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，所述短期记忆模块采用高斯分布方式，利用视频序列三帧中目标的位置来预测运动轨迹，让种群初始化尽可能靠拢预测目标区域，充分利用个体的搜寻能力，缩短全局寻优的时间，更快定位到局部目标；个体
X
i
满足多维高斯分布，公式如下：其中，
p(X
i
(t+1))
表示个体
X
i
出现的概率，
σ
t+1
和
μ
t+1
分别为
t+1
时刻的初始化种群的协方差及均值矩阵，均值矩阵与预测得出的目标位置有关，计算公式如下：
μ
t+1
＝
[X
best
(t)
‑
X
best
(t
‑
1),X
best
(t
‑
1)
‑
X
best
(t
‑
2)]
式中，
X
best
为
t、t
‑1和
t
‑2帧
CPA
算法求得的最优解；在短期记忆模块中，由前三帧得到的目标位置，确定当前帧的运动速度，将其作为高斯模型的均值
μ
t+1
，计算当前帧种群的初始位置，作为第
t+1
帧的若干目标位置信息
。6.
根据权利要求4所述的改进食肉植物算法优化的车辆长期目标跟踪方法，其特征在于，所述改进的食肉植物算法的繁殖过程为：
C
i
(k)
＝
C
i
(k
‑
1)+r
r
×
exp(f(C
i
(k
‑
1))
‑
f(C
v
(k
‑
1)))
×
M
i
其中，
C
i
表示食肉植物算法中的植物，
P
i
为猎物，
i≠v
，
C
v
为随机选择的食肉植物，
r
r
为繁殖率，设为
1.8
，
f
表示对个体求相似度，
k

【专利技术属性】
技术研发人员：黄鹤，惠晓滨，李文龙，黄莺，崔颢，梁浩锋，韩亚东，罗望，王乐，
申请(专利权)人：西安汇智信息科技有限公司，
类型：发明
国别省市：