基于核相关滤波器的未标记AGV目标跟踪算法

陈应应 梁鉴如

摘 要：传统的KCF跟踪算法利用FHOG特征对目标进行描述训练分类器从而实现预测跟踪，当出现的光照变化、目标与背景颜色相似、目标尺寸变化等问题，易发生跟踪结果不准确甚至目标丢失。因此，本文提出了基于Kalman滤波的KCF跟踪算法。首先，使用HOG特征和HSV颜色特征描述要跟踪的运动目标。其次，在跟踪过程中，引入了自适应尺度估计的方法。最后，本文提出的改进的跟踪算法将KCF框架与Kalman滤波器进行融合，获取视频第一帧目标信息后先用Kalman算法预测运动目标的位置，根据预测的目标位置对KCF算法的分类器进行训练，再使用KCF算法得到的检测结果更新Kalman滤波器，确定视频序列下一帧中目标的位置。在实验室采集的AGV数据集上对改进的算法进行了多次测试，在目标发生光照变化、快速运动、尺寸变化等复杂情况下，本文算法有较强的鲁棒性。

关键词： 核相关滤波;目标跟踪;AGV;Kalman滤波;颜色特征

【Abstract】 The traditional KCF tracking algorithm uses the FHOG feature to describe the target training classifier to achieve predictive tracking. When the illumination changes， the target and background colors are similar， and the target size changes， the tracking result is inaccurate or even the target is lost. Therefore， this paper proposes a KCF tracking algorithm based on Kalman filtering. First， the paper uses the HOG feature and the HSV color feature to describe the target to be tracked. Secondly， this paper uses an adaptive scale estimation method. Finally， the algorithm proposed in this paper fuses the KCF framework with the Kalman algorithm. After obtaining the first frame of the video， the Kalman algorithm is used to predict the position of the moving target， and the KCF algorithm is trained according to the predicted target position. Based on the above， using the detection result obtained by the KCF algorithm， the Kalman filter is updated to determine the position of the target in the next frame of the video sequence. The improved algorithm has been tested several times on the AGV dataset collected in the laboratory. The algorithm has strong robustness in the following situations as illumination changes， fast motion， and dimensional changes.

【Key words】  kernelized correlation filter; target tracking; AGV; Kalman filter; color feature

0 引 言

視频目标跟踪是计算机视觉与图像处理研究中的难点和热点[1]，在日常生活、科学研究和工业生产等许多领域有着广泛的应用。动态目标跟踪就是在图像序列中选择动态障碍物目标，并在多个连续图像帧中主动搜索和跟踪目标，得到其具体状态、位置以及运行轨迹[2]。由于外界环境的复杂和运动目标的多变，传统单一的跟踪算法不能达到很好的跟踪结果，在动态目标的跟踪方面仍然存在很多问题。

目前，目标跟踪算法大致分为两大类[3]：生成（generative）模型方法[4-5]和判别（discriminative）模型方法[6-7]。在生成模型方法中，均值漂移[8]算法是一种用概率密度函数的梯度来预测估计目标下一时刻位置的方法，Comaniciu等人[9]则首次将该算法应用在目标跟踪的场景中。Kalman预测器是一种在误差协方差最小准则下的最优化自回归数据估计方法，该算法计算量小，实时性高[10]。1998年，Isard等人[11]首次提出将粒子滤波算法引入目标跟踪，粒子滤波算法在非线性、非高斯模型中有很好的鲁棒性。近年来，判别式学习跟踪算法因为其具有高效性的优点变得流行起来。Blome等人[12]提出了一种最小输出平方误差和滤波器[13]，该算法将计算变换到频域空间，提高了算法的运行速度。Henriques等人[14]提出核相关滤波器（KCF）跟踪算法，该算法用方向梯度直方图（HOG）特征描述跟踪目标，改进的算法具有较高的鲁棒性。

本文选用AGV作为跟踪目标，设计了一种鲁棒性跟踪算法。该方法在KCF跟踪算法的基础上进行了改进。首先，利用颜色特征和梯度方向特征对跟踪目标进行特征描述，其次，本文算法加入了自适应尺度估计的方法。最后，将Kalman滤波器[15]与KCF框架相结合。

[5]WANG Lingfeng， YAN Hongping， WU Huaiyu， et al. Forward-backward meanshift for visual tracking with local-background-weighted histogram[J]. IEEE Transactions on lntelligent Transportation Systems， ITS， 2013， 14 （3）：1480-489.

[6]ZHANG K， ZHANG L， YANG M H. Real-time compressive tracking[C]//European Conference On Computer Vision， ECCV.Berlin：Springer-Verlag， 2012：864-877.

[7]王飞，房胜.加权局部特征结合判别式字典的目标跟踪[J].中国图象图形学报，2014，19（9）：1316-1323.

[8]FUKUNAGA K，HOSTETLER LD. The estimation of the gradient of a density function，with application in pattern recognition[J].IEEE Transactions on Information Theory，1975，21 （1）：32-40.

[9]COMANICIU D， RAMESH V，MEER P. Kernel-based object tracking[J].IEEE Transactions on Pattern Analysis and Machine lntelligence， 2003，25 （5）：564-577.

[10]杨明雪，张颖，牛安东，等.基于CamShift与Kalman算法的抗遮挡目标跟踪方法研究[J].电脑知识与技术，2017，13（9）：173-174.

[11]ISARD M， BLAKE A. Condensation-conditional density propagation for visual tracking[J].International Journal of Computer Vision， 1998，29（1）：5-28.

[12]BOLME D S， BEVERIDGE J R， DRAPER B A， et al. Visual object tracking using adaptive correlation filters [C]//IEEE Conference on Computer Vision and Pattern Recognition， CVPR. San Francisco， California：IEEE， 2010：2544-2550.

[13]田亞蕾，马杰，杨楠.结合核相关滤波和Kalman预测的运动目标跟踪[J].小型微型计算机系统，2018，39（10）：2330-2334.

[14]HENRIQUES J F， RUI C， MARTINS P， et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis & Machine lntelligence， PAMI， 2015， 37（3）：583-596.

[15]龙涛.基于Kalman预测器改进的CamShift目标跟踪[D].湘潭：湘潭大学，2016.

[16]乔金涛. 动态背景下移动机器人的运动检测与跟踪[D]. 秦皇岛：燕山大学，2017.

[17]郭克友，暴启超.改进的核相关滤波器的目标跟踪算法[J].计算机工程与设计，2018，39（3）：769-773，797.

[18]梁晶. 基于颜色特征的图像检索技术研究[D].厦门：厦门大学，2009.

[19]张雷，王延杰，孙宏海，等.采用核相关滤波器的自适应尺度目标跟踪[J].光学精密工程，2016，24（2）：448-459.