(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 202211344499.9 (22)申请日 2022.10.31 (71)申请人 航天科工微电子系统研究院有限公 司 地址 610000 四川省成 都市天府新区天府 新经济产业园B区湖畔路北段269号 (72)发明人 武春风　古亚辉　白明顺　谢峰　 刘巧　张攀攀　何冰如　吴波　 胡珂豪　赵晓阳　刘前　孙敬熙　 张丽君　魏红　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 周浩杰 (51)Int.Cl. G06T 7/246(2017.01)G06T 5/40(2006.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLO和KCF的人物稳定跟踪方法、 设备 及介质 (57)摘要 本发明公开了一种基于YOLO和KCF的人物稳 定跟踪方法、 设备及介质， 属于人工智能领域， 包 括步骤： S1， 基于YOL O算法对图像进行人物识别； S2， 选取一个识别框作为KCF算法跟踪的区域； S3， 利用KCF算法对所选跟踪人物区域进行人物 跟踪； S4， 提取最新YOLO算法所保存的图像以及 识别框集Y； 同时提取最新一帧KC F算法跟踪置信 度大于第二设定值的跟踪结果K； S5， 将Y集合中 识别框和K进行调整， 并用大高斯卷积核进行卷 积处理； S6， 生成灰度直方图， 再进行相关系数计 算， 根据相关系数计算进行后续处理。 本发明在 人物识别和人物跟踪 方面都能得以加速计算， 通 过两部分并行计算， 进行阶段性比较， 得到人物 稳定跟踪的效果。 权利要求书1页 说明书6页 附图1页 CN 115526913 A 2022.12.27 CN 115526913 A 1.一种基于 YOLO和KCF的人物稳定跟踪方法， 其特 征在于， 包括以下步骤： S1， 基于YOLO算法对图像进行 人物识别， 并保存当前图像和识别框； S2， 对于YOLO算法所识别的人物框， 选取一个识别框作为KCF算法跟踪的区域； S3， 利用KCF算法对所选跟踪人物区域进行人物跟踪， 记录每一次跟踪结果和对应置信 度； S4， 时间间隔每隔第一设定值， 提取最新YOLO算法所保存 的图像以及识别框集Y； 同时 提取最新一帧KCF算法跟踪置信度大于第二设定值的跟踪结果K； S5， 将Y集合 中识别框和K进行调整到同一尺寸生成集合YR、 集合KR， 并对已经调整的YR 和KR图像用大高斯卷积核 进行卷积处理得到集 合YG和集 合KG； S6， 对YG、 KG生成灰度直方图YH、 灰度直方图KH， 分别将KH与YH每个直方图进行相关系 数计算； S7， 若计算的相关系数最大值大于第三设定值， 则保留对应相关系数最大值的Y识别 框， 作为KCF算法需要跟踪的最新区域； 若计算的相关系数最大值都小于第三设定值， 则视 为YOLO算法没有识别到之前识别的人物， KCF算法不选取新识别区域， 继续原跟踪处理， 返 回步骤S3 。 2.根据权利要求1所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 在步骤S7 之后， 包括 步骤： S8， 若时间间隔间隔三秒， 即三次重复计算KCF算法还没有选取新的识别框区域， 则视 为跟踪失败， 需要人工 重新选取 所需跟踪的人物。 3.根据权利要求1所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 在步骤S1 中， 所述YOLO算法包括YOLOv3算法。 4.根据权利要求1所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 在步骤S4 中， 所述第一设定值包括1秒。 5.根据权利要求1所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 在步骤S4 中， 所述第二设定值包括0.5 。 6.根据权利要求1所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 所述KCF算 法采用岭回归方法进行解 算， 并根据已有的跟踪结果训练相关滤波器。 7.根据权利要求3所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 所述 YOLOv3算法进行人物识别， 在预训练模 型基础之上使用1： 3的人物 正负比例进行再次训练， 训练结果分类采用21个分类预测， 只保留人物类别分类结果。 8.根据权利要求6所述的基于YOLO和KCF的人物稳定跟踪方法， 其特征在于， 所述KCF算 法的优化 函数为岭回归方法。 9.一种计算机设备， 其特征在于， 所述计算机设备包括处理器和存储器， 所述存储器中 存储有计算机程序， 当所述计算机程序被所述处理器加载并执行如权利要求 1～8任一项 所 述的方法。 10.一种可读存储介质， 其特征在于， 在可读存储介质中存储有计算机程序， 所述计算 机程序被处 理器加载并执 行如权利要求1～8任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115526913 A 2基于YOLO和KCF的 人物稳定跟踪 方法、 设备及介质 技术领域 [0001]本发明涉及人工智能技术领域， 更为具体的， 涉及一种基于YOLO和KCF的人物稳定 跟踪方法、 设备及 介质。 背景技术 [0002]人物识别和跟踪是现在人工智能发展的一个重要的研究方向， 并且基于深度学习 的识别和相关性滤波的跟踪算法已经成为此研究方向的主流。 [0003]对于人物识别来讲要解决的核心问题是人物可能会出现过在图像的任何地方、 人 物在图像中大小不一的情况以及人物姿态可能会出现站立， 蹲坐等不同的姿态。 对传统的 识别来讲， 这样的问题是识别算法的致命性问题。 这种动态的人物识别跟踪问题通过深度 学习和相关滤波来进 行解算， 一方面在识别跟踪方面相比较与传统识别跟踪算法上具有识 别更具准确性和多样性的特点， 另一方面人物识别的计算速度也具有很大的提升。 对于 YOLO算法， 不同于之前在卷积神经网络阶段之后需要支持向量机等分类算法的多步检测算 法， YOLO是one  stage检测算法， 在卷积神经网络进行特征提取时直接进行分类和定位回 归， 直接用网络中的提取特征来预测人物的分类和位置， 这也是YOLO这种端到端的识别算 法速度快的原因。 对于KCF算法， 是对原始图像进行HOG特征进行提取进行计算以加快跟踪 计算速度， KCF是根据当前帧的H OG信息和之前帧的H OG信息训练一个相关滤波器， 根据新输 入帧来进 行相关计算， 得到置信图即计算响应矩阵， 通过查询最高置信度位置 即KCF的预测 跟踪位置。 在KCF中主要 是通过循环矩阵进 行核化进 行核函数计算， 并且循环矩阵具有对角 化等性质， 再通过核化方法， 使得 KCF可以加速计算。 [0004]但是， 在人物识别和人物跟踪上， 单独的YOLO或单独的KCF均存在需要改进的地 方， 例如计算速度、 稳定性 等。 发明内容 [0005]本发明的目的在于克服现有技术 的不足， 提供一种基于YOLO和 KCF的人物稳定跟 踪方法、 设备及介质， 在人物识别和人物跟踪方面都能得以加速计算， 通过两部分并行计 算， 进行阶段性比较， 得到 了人物稳定跟踪的效果。 [0006]本发明的目的是通过以下 方案实现的： [0007]一种基于 YOLO和KCF的人物稳定跟踪方法， 包括以下步骤： [0008]S1， 基于YOLO算法对图像进行 人物识别， 并保存当前图像和识别框； [0009]S2， 对于YOLO算法所识别的人物框， 选取一个识别框作为KCF算法跟踪的区域； [0010]S3， 利用KCF算法对所选跟踪人物区域进行人物跟踪， 记录每一次跟踪结果和对应 置信度； [0011]S4， 时间间隔每隔第一设定值， 提取最新YOLO算法所保存的图像以及识别框集Y； 同时提取最 新一帧KCF算法跟踪置信度大于第二设定值的跟踪结果K； [0012]S5， 将Y集合中识别框和K进行调整到同一尺寸生成集合YR、 集合KR， 并对已经调整说　明　书 1/6 页 3 CN 115526913 A 3