一种视频目标跟踪方法及装置与流程

本发明涉及计算机领域，特别涉及一种视频目标跟踪方法及装置。

背景技术：

在视频目标跟踪的应用范围内，选择和使用合适的目标跟踪方法是当前研究的热点和难点。通过适宜的目标跟踪方法，可以对视频中的被跟踪对象，如人、飞机等进行准确跟踪。

目前，在视频图像的任意相邻两帧之间，根据上一帧中被跟踪对象的中心位置和大小范围，可以将当前帧中的同一中心位置和大小范围内的对象确定为被跟踪对象，并判断在当前帧中是否成功跟踪到该被跟踪对象。

但是，由于被跟踪对象通常处于活动状态，且活动情况多变，故现有的视频目标跟踪方法的跟踪准确度较低。

技术实现要素：

本发明提供了一种视频目标跟踪方法及装置，能够提高视频目标跟踪的跟踪准确度。

为了达到上述目的，本发明是通过如下技术方案实现的：

一方面，本发明提供了一种视频目标跟踪方法，预先确定上一帧中的目标模型，还包括：

S1：确定当前帧中的当前候选模型；

S2：根据由所述当前候选模型所确定的当前范围，分别判断所述当前范围内的每一个第一像素点的取值是否超过预先设定的第一阈值，若是，则确定所述第一像素点为第二像素点；

S3：根据全部所述第二像素点，确定所述当前帧中的下一个候选模型；

S4：判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，若是，则执行下一帧的目标跟踪操作，否则，将所述下一个候选模型确定为所述当前候选模型，并执行S1。

进一步地，所述第一像素点的取值，包括：所述第一像素点的匹配权值wi，

其中，为候选模型区域范围内每一个像素点的匹配权值，i为每一个像素点，n为候选模型区域范围内的像素点的个数，h为计算目标模型和候选模型的概率密度函数时使用的核函数k(x)的带宽，nh为带宽h范围内的像素点的个数，y0为目标模型的中心坐标，pu为候选模型的颜色分布，qu为目标模型的颜色分布，u为用于表示模板颜色分布的m阶直方图的阶数，且u＝1...m，xi(i＝1...n)为每一个像素点在目标模板中的归一化位置，b(xi)为位置xi处的像素颜色，δ(a)是Delta函数，且

进一步地，所述根据全部所述第二像素点，确定所述当前帧中的下一个候选模型，包括：

将全部所述第二像素点的位置信息以密度分布函数Area进行表示；

通过所述密度分布函数Area的一阶矩特征确定候选中心位置，以及通过所述密度分布函数Area的二阶矩特征确定候选大小；

根据所述候选中心位置和所述候选大小，确定所述当前帧中的下一个候选模型，其中，

Area为候选模型区域范围内像素点权值面积，e为常数，ρ为巴氏系数。

进一步地，所述判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，包括：

计算所述目标模型和所述下一个候选模型的巴氏系数ρ(y)，并判断其是否超过预先设定的第二阈值，其中，

其中，ρ(y)为目标模型和候选模型的巴氏系数，y为候选模型的中心坐标，Ch为y处第u个特征值的系数，k(x)为核函数。

进一步地，在S3之前，还包括：

分别将所述当前范围扩大和缩小10％后的范围确定为第一范围和第二范围；

分别判断所述第一范围内的每一个第三像素点的取值是否超过所述第一阈值，若是，则标记为必需像素点，否则，标记为非必需像素点；

分别计算所述第一范围的必需像素点的第一占有率、所述第二范围的必需像素点的第二占有率和所述当前范围的必需像素点的第三占有率，其中，

必需像素点的占有率(％)＝必需像素点的个数/(必需像素点的个数+非必需像素点的个数)×100％；

确定所述第一占有率、所述第二占有率和所述第三占有率中的满足预先设定的阈值范围的最大值；

所述S3，包括：根据与所述最大值相对应范围内的全部必需像素点，确定所述当前帧中的下一个候选模型。

另一方面，本发明提供了一种视频目标跟踪装置，包括：

第一确定单元，用于确定上一帧中的目标模型；

第二确定单元，用于确定当前帧中的当前候选模型；

第一处理单元，用于根据由所述当前候选模型所确定的当前范围，分别判断所述当前范围内的每一个第一像素点的取值是否超过预先设定的第一阈值，若是，则确定所述第一像素点为第二像素点；

第二处理单元，用于根据全部所述第二像素点，确定所述当前帧中的下一个候选模型；

第三处理单元，用于判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，若是，则向所述第一确定单元输出执行下一帧的目标跟踪操作的触发信号，否则，将所述下一个候选模型确定为所述当前候选模型，并触发所述第二确定单元。

进一步地，所述第一处理单元，具体用于计算所述第一像素点的匹配权值wi，并判断其是否超过预先设定的第一阈值，其中，

其中，为候选模型区域范围内每一个像素点的匹配权值，i为每一个像素点，n为候选模型区域范围内的像素点的个数，h为计算目标模型和候选模型的概率密度函数时使用的核函数k(x)的带宽，nh为带宽h范围内的像素点的个数，y0为目标模型的中心坐标，pu为候选模型的颜色分布，qu为目标模型的颜色分布，u为用于表示模板颜色分布的m阶直方图的阶数，且u＝1...m，xi(i＝1...n)为每一个像素点在目标模板中的归一化位置，b(xi)为位置xi处的像素颜色，δ(a)是Delta函数，且

进一步地，所述第二处理单元，具体用于将全部所述第二像素点的位置信息以密度分布函数Area进行表示；通过所述密度分布函数Area的一阶矩特征确定候选中心位置，以及通过所述密度分布函数Area的二阶矩特征确定候选大小；根据所述候选中心位置和所述候选大小，确定所述当前帧中的下一个候选模型，其中，

Area为候选模型区域范围内像素点权值面积，e为常数，ρ为巴氏系数。

进一步地，所述第三处理单元，具体用于计算所述目标模型和所述下一个候选模型的巴氏系数ρ(y)，并判断其是否超过预先设定的第二阈值，其中，

其中，ρ(y)为目标模型和候选模型的巴氏系数，y为候选模型的中心坐标，Ch为y处第u个特征值的系数，k(x)为核函数。

进一步地，所述第二确定单元，还用于分别将所述当前范围扩大和缩小10％后的范围确定为第一范围和第二范围；

所述第一处理单元，还用于分别判断所述第一范围内的每一个第三像素点的取值是否超过所述第一阈值，若是，则标记为必需像素点，否则，标记为非必需像素点；分别计算所述第一范围的必需像素点的第一占有率、所述第二范围的必需像素点的第二占有率和所述当前范围的必需像素点的第三占有率；确定所述第一占有率、所述第二占有率和所述第三占有率中的满足预先设定的阈值范围的最大值，其中，

必需像素点的占有率(％)＝必需像素点的个数/(必需像素点的个数+非必需像素点的个数)×100％。

所述第二处理单元，具体用于根据与所述最大值相对应范围内的全部必需像素点，确定所述当前帧中的下一个候选模型。

本发明提供了一种视频目标跟踪方法及装置，首先确定上一帧中的目标模型以及确定当前帧中的候选模型；通过判断由候选模型所确定范围内的每一个像素点是否超过设定阈值，从而根据超过设定阈值的全部像素点来确定当前帧中的新候选模型；若目标模型和新候选模型的相似度未达到阈值，说明目标对象跟踪失败，则以该新候选模型为基础来确定另一个候选模型，如此循环，直至在当前帧中成功跟踪到目标对象。本发明以候选模型为基础来确定合适的新候选模型，并根据新候选模型与目标模型的相似性以确定是否跟踪到目标对象，而非直接对候选模型与目标模型进行相似性判断。因此，本发明能够提高视频目标跟踪的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种视频目标跟踪方法的流程图；

图2是本发明一实施例提供的另一种视频目标跟踪方法的流程图；

图3是本发明一实施例提供的一种视频目标跟踪装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种视频目标跟踪方法，可以包括以下步骤：

步骤101：预先确定上一帧中的目标模型。

步骤102：确定当前帧中的当前候选模型。

步骤103：根据由所述当前候选模型所确定的当前范围，分别判断所述当前范围内的每一个第一像素点的取值是否超过预先设定的第一阈值，若是，则确定所述第一像素点为第二像素点。

步骤104：根据全部所述第二像素点，确定所述当前帧中的下一个候选模型。

步骤105：判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，若是，则执行下一帧的目标跟踪操作，否则，将所述下一个候选模型确定为所述当前候选模型，并执行步骤102。

本发明实施例提供了一种视频目标跟踪方法，首先确定上一帧中的目标模型以及确定当前帧中的候选模型；通过判断由候选模型所确定范围内的每一个像素点是否超过设定阈值，从而根据超过设定阈值的全部像素点来确定当前帧中的新候选模型；若目标模型和新候选模型的相似度未达到阈值，说明目标对象跟踪失败，则以该新候选模型为基础来确定另一个候选模型，如此循环，直至在当前帧中成功跟踪到目标对象。本发明实施例以候选模型为基础来确定合适的新候选模型，并根据新候选模型与目标模型的相似性以确定是否跟踪到目标对象，而非直接对候选模型与目标模型进行相似性判断。因此，本发明实施例能够提高视频目标跟踪的准确度。

在一种可能的实现方式中，为了能够准确筛选出特定范围内的全部必需像素点，所以，所述第一像素点的取值包括：所述第一像素点的匹配权值wi，

其中，为候选模型区域范围内每一个像素点的匹配权值，i为每一个像素点，n为候选模型区域范围内的像素点的个数，h为计算目标模型和候选模型的概率密度函数时使用的核函数k(x)的带宽，nh为带宽h范围内的像素点的个数，y0为目标模型的中心坐标，pu为候选模型的颜色分布，qu为目标模型的颜色分布，u为用于表示模板颜色分布的m阶直方图的阶数，且u＝1...m，xi(i＝1...n)为每一个像素点在目标模板中的归一化位置，b(xi)为位置xi处的像素颜色，δ(a)是Delta函数，且

在一种可能的实现方式中，为了能够准确确定出合适的下一个候选模型，所以，所述根据全部所述第二像素点，确定所述当前帧中的下一个候选模型，包括：

将全部所述第二像素点的位置信息以密度分布函数Area进行表示；

通过所述密度分布函数Area的一阶矩特征确定候选中心位置，以及通过所述密度分布函数Area的二阶矩特征确定候选大小；

根据所述候选中心位置和所述候选大小，确定所述当前帧中的下一个候选模型，其中，

Area为候选模型区域范围内像素点权值面积，e为常数，ρ为巴氏系数。

在一种可能的实现方式中，为了能够准确判断目标模型和下一个候选模型的相似性，从而确定是否在当前帧中成功跟踪到目标对象，所以，所述判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，包括：

计算所述目标模型和所述下一个候选模型的巴氏系数ρ(y)，并判断其是否超过预先设定的第二阈值，其中，

其中，ρ(y)为目标模型和候选模型的巴氏系数，y为候选模型的中心坐标，Ch为y处第u个特征值的系数，k(x)为核函数。

在一种可能的实现方式中，为了能够准确获取到全部所需像素点，从而可以更加准确地对目标对象进行跟踪，所以，在步骤104之前，进一步包括：

分别将所述当前范围扩大和缩小10％后的范围确定为第一范围和第二范围；

分别判断所述第一范围内的每一个第三像素点的取值是否超过所述第一阈值，若是，则标记为必需像素点，否则，标记为非必需像素点；

分别计算所述第一范围的必需像素点的第一占有率、所述第二范围的必需像素点的第二占有率和所述当前范围的必需像素点的第三占有率，其中，

必需像素点的占有率(％)＝必需像素点的个数/(必需像素点的个数+非必需像素点的个数)×100％；

确定所述第一占有率、所述第二占有率和所述第三占有率中的满足预先设定的阈值范围的最大值；

所述步骤104，包括：根据与所述最大值相对应范围内的全部必需像素点，确定所述当前帧中的下一个候选模型。

为使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体实施例对本发明作进一步地详细描述。

如图2所示，本发明一个实施例提供了视频目标跟踪方法，该方法可以包括以下步骤：

步骤201：确定上一帧中的目标模型。

具体地，可以确定上一帧中的目标模型的中心位置和大小。在本实施例中，由中心位置和大小所确定范围内的对象即为目标模型。

举例来说，现有一段视频录像，且需要对该视频录像中的一架飞机进行目标跟踪。因此，可以根据该视频录像获得相应的n个视频图像帧，并选用合适的目标跟踪方法，对这n个视频图像帧进行处理，以对这架飞机进行准确跟踪。例如，可以将历时1s范围内的视频片段拆分为30帧。

在本实施例中，在进入初始帧之后，可以人为对这架飞机进行定位以确定目标模型，如人为划定该飞机在初始帧中的范围，从而计算机系统可以自动获取到该目标模型的中心位置和大小。在进入第二帧之后，可以以初始帧中已确定的目标模型的中心位置和大小为基础，进行第二帧中对目标模型的跟踪，并以此类推。因此，在进入任意一帧之前，首先需要确定上一帧中所确定的目标模型的中心位置和大小。

步骤202：在进入当前帧之后，以目标模型的中心位置和大小为基准，确定当前帧中的初始候选模型。

在本实施例中，在任意相邻两帧之间，可以进行多次、相同的迭代操作，直至准确跟踪到目标对象。此外，为避免极端情况下所造成的反复但无效的迭代操作，还可以预先设置该迭代操作的重复次数，如5次。

详细地，在进入当前帧之后，可以以上一帧中所确定的目标模型的中心位置和大小为基准，将当前帧中的同一中心位置和大小范围内的对象确定为初始候选模型。

步骤203：确定当前帧中的当前候选模型。

详细地，在进行当前帧中的初次迭代操作时，该当前候选模型即为所述初始候选模型；在进行当前帧中的非初次迭代操作时，该当前候选模型可以为当前帧中的上一次迭代操作中所确定的新候选模型。

步骤204：根据由当前候选模型所确定的当前范围，将当前范围扩大10％后的范围确定为第一范围，以及将当前范围缩小10％后的范围确定为第二范围。

详细地，对当前范围的扩大和缩小幅度可以人为自主设置，优选的，可以设置为10％。此外，范围的改变可以仅改变范围的大小，而不改变范围的中心位置。

步骤205：分别计算该第一范围内的每一个像素点的匹配权值wi，并判断其是否超过0.95，若是，则标记为1，否则，标记为0。

具体地，

其中，为候选模型区域范围内每一个像素点的匹配权值，i为每一个像素点，n为候选模型区域范围内的像素点的个数，h为计算目标模型和候选模型的概率密度函数时使用的核函数k(x)的带宽，nh为带宽h范围内的像素点的个数，y0为目标模型的中心坐标，pu为候选模型的颜色分布，qu为目标模型的颜色分布，u为用于表示模板颜色分布的m阶直方图的阶数，且u＝1...m，xi(i＝1...n)为每一个像素点在目标模板中的归一化位置，b(xi)为位置xi处的像素颜色，δ(a)是Delta函数，且

详细地，在视频目标跟踪过程中，属于目标对象的像素点具有较大的匹配权值，从而使得目标跟踪算法向目标的运动方向收敛。

详细地，可以将用于对比匹配权值的阈值设置为0.9～1。此外，为了方便计算机系统自动获取必需像素点，可以将匹配权值超过设定阈值的像素点默认为必需像素点，并标记为1，同时将匹配权值未超过设定阈值的像素点默认为非必需像素点，并标记为0。

在本实施例中，由于第二范围属于当前范围，且当前范围属于第一范围，故可以仅计算第一范围内的每一个像素点的匹配权值，并对其进行标记。

步骤206：分别计算第一范围的第一占有率、第二范围的第二占有率和当前范围的第三占有率，并确定三者中的处于80～97％阈值范围的最大值。

具体地，占有率(％)＝标记为1的像素点的个数/(标记为1的像素点的个数+标记为0的像素点的个数)×100％。

在本实施例中，用于对比占有率的阈值范围可以人为自主设置，优选的，可以设置为80～97％。

例如，视频中的这架飞机有近处飞向远处，但其在视频图形中的中心位置相差不大，则与上一帧中该飞机所占范围相比，当前帧中该飞机所占范围应有所缩小，因此，可以计算出第一范围的占有率为70％，当前范围的占有率为90％，第二范围的占有率为100％。因此，由于当前范围的占有率90％属于80～97％阈值范围，则可以确定当前范围为最佳范围，且所确定的最大值即为90％。由此可知，第一范围中的背景可能较多，但第二范围可能仅包含该架飞机的部分图像。

在本实施例中，由于被跟踪对象一般处于活动状态且活动情况多变，故可以将确定的特定范围进行扩大和缩小，并从该3个范围中选出最佳范围以用于候选模型的确定。通过这一实现方式，可以更加准确地确定每一帧中的候选模型，从而有益于提高视频目标跟踪的准确性。

步骤207：将与该最大值相对应范围内的全部标记为1的像素点的位置信息以密度分布函数Area进行表示。

具体地，

其中，Area为候选模型区域范围内像素点权值面积，e为常数，ρ为巴氏系数。

在本实施例中，标记为1的像素点可以表示为属于目标对象的必需像素点。且在获取到全部必需像素点之后，可以以密度分布函数Area去表示这些必需像素点的位置信息，如每一个像素点的具体位置坐标。

步骤208：通过密度分布函数Area的一阶矩特征确定候选中心位置，以及通过密度分布函数Area的二阶矩特征确定候选大小。

在本实施例中，通过对密度分布函数Area进行一阶求导，可以获得候选中心位置，进行二阶求导，可以获得候选大小。由该候选中心位置和候选大小所确定的范围可以用来表示或替代所得到的全部必需像素点。

步骤209：根据确定出的候选中心位置和候选大小，确定当前帧中的新候选模型。

在本实施例中，由确定出的候选中心位置和候选大小所确定的范围内的对象，可以作为当前帧中的新候选模型。

在本实施例中，在获取到当前帧的候选模型之后，可以对该候选模型优选范围内的全部必需像素点进行提取，并引入密度分布函数Area以根据这些必需像素点来确定新候选模型，故该新候选模型更符合被跟踪对象本身，从而有益于提高目标对象的准确性。

此外，由于由根据候选模型所确定出的新候选模型更符合被跟踪对象本身，故能够在每一帧中快速跟踪到目标对象。因此，这一实现方式同样能够减少在每一帧中所需的迭代次数，减少相应的计算量，提高目标跟踪的效率。

步骤210：计算目标模型和新候选模型的巴氏系数ρ(y)，并判断其是否超过90％，若是，则执行下一帧的目标跟踪操作，否则，将该新候选模型确定为当前候选模型，并执行步骤203。

具体地，

其中，ρ(y)为目标模型和候选模型的巴氏系数，y为候选模型的中心坐标，Ch为y处第u个特征值的系数，k(x)为核函数。

在本实施例中，用于对比巴氏系数的阈值可以人为自主设置，优选的，可以设置为90％。

在本实施例中，若目标模型和新候选模型的巴氏系数超过设定阈值，说明在当前帧中已成功跟踪到目标对象，可以确定当前帧中的目标模型为该新候选模型，并以此为基础进行下一帧的目标跟踪操作。例如，经计算可得到目标模型和新候选模型的巴氏系数为95％，超过设定的阈值90％，故可以以此为基础，采用上述操作流程，继续进行下一帧的目标跟踪操作。

相对应的，若未超过设定阈值，则说明跟踪失败，则确定该新候选模型为当前帧中的当前候选模型，同样以此为基础并采用上述操作流程进行再一次的目标跟踪迭代过程，直至在当前帧中成功跟踪到目标对象。

在本实施例中，通过运用目标对象的颜色信息和匹配权值作为预测候选模型的依据，同时引进密度分布函数Area以实时更新候选模型，故能够快速准确的跟踪到目标对象。通过本发明提出的视频目标跟踪方法，能够鲁棒地检测目标对象的变化，并实时更新候选模型，故能够在一些复杂条件下对目标对象进行准确、有效、实时的跟踪，以及避免由于目标对象状态变化或被部分遮挡而造成的跟踪丢失或误跟等现象。

如图3所示，本发明实施例提供了一种视频目标跟踪装置，包括：

第一确定单元301，用于确定上一帧中的目标模型；

第二确定单元302，用于确定当前帧中的当前候选模型；

第一处理单元303，用于根据由所述当前候选模型所确定的当前范围，分别判断所述当前范围内的每一个第一像素点的取值是否超过预先设定的第一阈值，若是，则确定所述第一像素点为第二像素点；

第二处理单元304，用于根据全部所述第二像素点，确定所述当前帧中的下一个候选模型；

第三处理单元305，用于判断所述目标模型和所述下一个候选模型的相似度是否超过预先设定的第二阈值，若是，则向所述第一确定单元301输出执行下一帧的目标跟踪操作的触发信号，否则，将所述下一个候选模型确定为所述当前候选模型，并触发所述第二确定单元302。

在一种可能的实现方式中，所述第一处理单元303，具体用于计算所述第一像素点的匹配权值wi，并判断其是否超过预先设定的第一阈值，其中，

其中，为候选模型区域范围内每一个像素点的匹配权值，i为每一个像素点，n为候选模型区域范围内的像素点的个数，h为计算目标模型和候选模型的概率密度函数时使用的核函数k(x)的带宽，nh为带宽h范围内的像素点的个数，y0为目标模型的中心坐标，pu为候选模型的颜色分布，qu为目标模型的颜色分布，u为用于表示模板颜色分布的m阶直方图的阶数，且u＝1...m，xi(i＝1...n)为每一个像素点在目标模板中的归一化位置，b(xi)为位置xi处的像素颜色，δ(a)是Delta函数，且

在一种可能的实现方式中，所述第二处理单元304，具体用于将全部所述第二像素点的位置信息以密度分布函数Area进行表示；通过所述密度分布函数Area的一阶矩特征确定候选中心位置，以及通过所述密度分布函数Area的二阶矩特征确定候选大小；根据所述候选中心位置和所述候选大小，确定所述当前帧中的下一个候选模型，其中，

Area为候选模型区域范围内像素点权值面积，e为常数，ρ为巴氏系数。

在一种可能的实现方式中，所述第三处理单元305，具体用于计算所述目标模型和所述下一个候选模型的巴氏系数ρ(y)，并判断其是否超过预先设定的第二阈值，其中，

其中，ρ(y)为目标模型和候选模型的巴氏系数，y为候选模型的中心坐标，Ch为y处第u个特征值的系数，k(x)为核函数。

在一种可能的实现方式中，所述第二确定单元302，进一步用于分别将所述当前范围扩大和缩小10％后的范围确定为第一范围和第二范围；

所述第一处理单元303，进一步用于分别判断所述第一范围内的每一个第三像素点的取值是否超过所述第一阈值，若是，则标记为必需像素点，否则，标记为非必需像素点；分别计算所述第一范围的必需像素点的第一占有率、所述第二范围的必需像素点的第二占有率和所述当前范围的必需像素点的第三占有率；确定所述第一占有率、所述第二占有率和所述第三占有率中的满足预先设定的阈值范围的最大值，其中，

必需像素点的占有率(％)＝必需像素点的个数/(必需像素点的个数+非必需像素点的个数)×100％。

所述第二处理单元304，具体用于根据与所述最大值相对应范围内的全部必需像素点，确定所述当前帧中的下一个候选模型。

上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

综上所述，本发明的各个实施例至少具有如下有益效果：

1、本发明实施例中，首先确定上一帧中的目标模型以及确定当前帧中的候选模型；通过判断由候选模型所确定范围内的每一个像素点是否超过设定阈值，从而根据超过设定阈值的全部像素点来确定当前帧中的新候选模型；若目标模型和新候选模型的相似度未达到阈值，说明目标对象跟踪失败，则以该新候选模型为基础来确定另一个候选模型，如此循环，直至在当前帧中成功跟踪到目标对象。本发明实施例以候选模型为基础来确定合适的新候选模型，并根据新候选模型与目标模型的相似性以确定是否跟踪到目标对象，而非直接对候选模型与目标模型进行相似性判断。因此，本发明实施例能够提高视频目标跟踪的准确度。

2、本发明实施例中，由于被跟踪对象一般处于活动状态且活动情况多变，故可以将确定的特定范围进行扩大和缩小，并从该3个范围中选出最佳范围以用于候选模型的确定。通过这一实现方式，可以更加准确地确定每一帧中的候选模型，从而有益于提高视频目标跟踪的准确性。

3、本发明实施例中，在获取到当前帧的候选模型之后，可以对该候选模型优选范围内的全部必需像素点进行提取，并引入密度分布函数Area以根据这些必需像素点来确定新候选模型，故该新候选模型更符合被跟踪对象本身，从而有益于提高目标对象的准确性。

4、本发明实施例中，由于由根据候选模型所确定出的新候选模型更符合被跟踪对象本身，故能够在每一帧中快速跟踪到目标对象。因此，这一实现方式同样能够减少在每一帧中所需的迭代次数，减少相应的计算量，提高目标跟踪的效率。

5、本发明实施例中，通过运用目标对象的颜色信息和匹配权值作为预测候选模型的依据，同时引进密度分布函数Area以实时更新候选模型，故能够快速准确的跟踪到目标对象。通过本发明提出的视频目标跟踪方法，能够鲁棒地检测目标对象的变化，并实时更新候选模型，故能够在一些复杂条件下对目标对象进行准确、有效、实时的跟踪，以及避免由于目标对象状态变化或被部分遮挡而造成的跟踪丢失或误跟等现象。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。