(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211104135.3 (22)申请日 2022.09.09 (71)申请人 南京华苏 科技有限公司 地址 211300 江苏省南京市高淳区淳溪街 道宝塔路258号苏宁雅居39幢10号 (72)发明人 王计斌　陈大龙　朱文硕　李鹏博　 (74)专利代理 机构 南京北辰联和知识产权代理 有限公司 323 50 专利代理师 陆中丹 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/269(2017.01) G06T 7/44(2017.01) G06T 7/73(2017.01) G06T 7/90(2017.01)G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于KCF算法的工业 运载车跟踪方法 (57)摘要 本发明公开了一种基于KCF算法的工业运载 车跟踪方法， 具体包括以下步骤： S1： 采集图像信 息， 输入视频帧， 通过目标检测器判断检测的区 域的目标； S2： 判断输入视频是否为第一帧， 若 为 第一帧， 则初始化KC F跟踪器， 获得检测的区域中 目标的初始位置； S3： 将初始位置区域的图像作 为训练的正样本， 训练目标检测器； 初始化目标 检测器模型， 基于上一帧判断出下一帧中目标的 位置， 并完成位置更新； S4： 在完成了位置更新 后， 重复步骤S3的训练过程， 并更新目标检测器 模型， 再用更新后的目标检测器确定下一帧目标 的位置， 直至跟踪结束。 通过对KCF算法的改进， 大大减少了运 算量， 提高了运 算速度。 权利要求书2页 说明书6页 附图1页 CN 115294175 A 2022.11.04 CN 115294175 A 1.一种基于KCF算法的工业 运载车跟踪方法， 其特 征在于， 具体包括以下步骤： S1： 采集图像信息， 输入视频帧， 通过目标检测器判断检测的区域的目标； S2： 判断输入视频是否为第一帧， 若为第一帧， 则初始化KCF跟踪器， 获得检测的区域中 目标的初始位置； S3： 将初始位置区域的图像作为训练的正样本， 训练目标检测器； 初始化目标检测器模 型， 基于上一帧判断出 下一帧中目标的位置， 并完成位置更新； S4： 在完成了位置更新后， 重复步骤S3的训练过程， 并更新目标检测器模型， 再用更新 后的目标检测器确定下一帧目标的位置， 直至跟踪结束。 2.根据权利要求1所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S2中若不 为第一帧时的具体步骤为： S21： 在开始跟踪后， 首先通过采集的图像信息使用目标检测器计算最大响应值， 所述 最大响应值的位置就是目标的位置， 并预判目标 下一帧的位置； S22： 通过目标检测器判断目标 下一帧的位置中是否存在该目标； S23： 根据 步骤S22的结果， 若不存在 该目标， 则重新采集样本， 直至存在该目标； 若存在 该目标， 则更新目标位置再转至步骤S3 。 3.根据权利要求2所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S3的具体步骤为： S31： 利用循环 矩阵生成若干训练样本； S32： 提取样本的HO G特征； S33： 进行岭回归训练目标检测器； S34： 初始化目标检测器模型， 并根据前一帧和后一帧的相对位置计算出目标在前后两 两帧内的位置变化， 进 而基于上一帧判断出 下一帧中目标的位置， 并完成位置更新。 4.根据权利要求3所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S32的提取HO G特征的具体步骤为： S321： 对图像进行归一 化处理； S322： 计算图像的梯度， 求出滑动的检测窗口内的每个像素点的梯度大小和具体方向， 并使用该梯度的信息来表示图像中运载 车辆纹理特征； S323： 构建基于方向的直方图， 将图像窗口分成多个方格区域即单元格， 并对该单元格 内每个像素点的梯度大小加权平均， 从而得到基于方向的直方图， 提取到 HOG特征。 5.根据权利要求4所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S322中每个像素点点A(x,y)的x、 y方向的梯度计算公式为： Gx(x， y)＝P(x+1， y) ‑P(x‑1， y)； Gy(x,y)＝P(x,y+1) ‑P(x,y‑1)； 其中， Gx(x， y)和Gy(x， y)分别表示为在图像上的点A(x,y)在x轴方向和y轴方向上的梯 度大小， P(x,y)表示像素点A的灰度值。 6.根据权利要求5所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S33进行岭回归训练目标检测器的具体步骤为： S331： 将单元格组合成大区间， 再将跟踪问题转换为线性回归模型， 进行KCF分类器训 练； 再利用KCF分类器将样本进行分类， 获得训练目标检测 器的训练集， 所述训练集是由检权　利　要　求　书 1/2 页 2 CN 115294175 A 2测区域和由其利用循环 矩阵生成若干训练样本组成； S332： 再将训练集中的初始位置区域的图像作为训练的正样本， 采用岭回归的方法构 建目标检测器模型， 训练时将线性空间通过核函数映射到非线性空间， 从而训练获得目标 检测器模型。 7.根据权利要求6所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S331的具体步骤为： S3311： 对每个梯度进行归一 化处理， 再将多个单 元格合成检测区域上 连通的区间； S3312： 将跟踪问题转换为线性回归模型， 进行KCF分类器训练， 采用点积运算并在非线 性场合使用核函数将问题线性可分； S3313： 利用训练得到KCF分类 器对样本进行分类， 获得训练目标检测器的训练集。 8.根据权利要求7所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S332的具体步骤为： S3321线性回归函数： 假设样本的采样数据为xi， 则线性回归函数为： f(xi)＝ωTxi； 其中， ω为列向量， 表示线性回归系数； 设yi为目标的预测位置与目标的真实位置之间 的距离， yi的值越小， 得到的准确率 就越高， 即： 其中， λ为 正则化参数； S3322非线性回归函数： 将可 行解W写成样本的线性组合形式： 其中α 表示 为变量W在对偶空间的值； 令K表示核空间矩阵， 可 得： K(xi， xj)＝ ψT(xi)ψ(xj)； 其中： α ＝(K+λI)‑1y； 式中， K代表核函数矩阵， α 为线性回归系数。 9.根据权利要求5所述的基于KCF算法的工业运载车跟踪方法， 其特征在于， 所述步骤 S34具体步骤为： S341： 初始化目标检测器模型， 开始预测下一帧的位置， 即在第k+1 帧中， 目标的位置发 生了变化， 在检测区域的目标框内进 行采样， 并通过循环矩阵移 位得到多个不同位置的框， 使用目标检测器 计算响应值， 得到多个不同置的框中响应最大值的框； S342： 根据响应最大的框与目标框的相对位置计算出目标在前后两帧内的位置变化， 进而基于上一帧中目标的位置得 出下一帧中目标的位置 。权　利　要　求　书 2/2 页 3 CN 115294175 A 3