一种实现目标跟踪的方法、装置、计算机存储介质及终端与流程

本文涉及但不限于跟踪技术，尤指一种实现目标跟踪的方法、装置、计算机存储介质及终端。

背景技术：

目标自动跟踪方法，是在精确制导系统飞行末段，通过检测识别技术锁定目标以后，引导飞行器以目标为指向，对目标实施连续不间断地追踪，直至到达目标所在位置或与目标相交的方法。

针对不同类型、特点的目标和不同的应用条件和场景，相关技术中包括基于点特征和基于面特征的目标自动跟踪方法；其中，基于点特征的目标自动跟踪方法在进行目标跟踪时，会因为噪声出现点特征位置不准确和数量不稳定的问题；基于面特征的目标自动跟踪方法在进行目标跟踪时，从不同角度获得的同一目标面特征可能存在较大差异，导致目标被识别为多个物体，出现目标适应性问题。

综上，当前的目标自动跟踪方法存在稳定性和目标适应性等运算问题，如何提升目标自动跟踪的运算性能，成为一个有待解决的问题。

技术实现要素：

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供一种实现目标跟踪的方法、装置、计算机存储介质及终端，能够提升目标自动跟踪的运算性能。

本发明实施例提供了一种实现目标跟踪的方法，包括：

对图像序列中的各图像，按照预设策略融合图像的面特征和点特征，获得组合特征；

根据获得的组合特征对图像中的目标进行标识，以获得目标在各图像中的位置；

根据获得目标在各图像中的位置，对目标进行跟踪。

在一种示例性实例中，所述图像序列包括：

通过成像传感器获取的用于对目标进行跟踪的图像序列。

在一种示例性实例中，所述融合图像的面特征和点特征之前，所述方法还包括：

从所述图像中提取所述面特征。

在一种示例性实例中，所述从图像中提取面特征，包括：

对所述图像进行去噪处理，计算去噪处理后的图像包含的各像素点在各方向的梯度幅值；

将各像素点在各方向的梯度幅值与预设的各方向的梯度阈值进行比对，根据比对结果过滤各像素点后获得第一边缘点；

确定边缘强度大于第一阈值的所述第一边缘点为第二边缘点；

删除边缘强度小于第二阈值的所述第一边缘点；

对边缘强度小于所述第一阈值且大于所述第二阈值的所述第一边缘点，计算各所述第一边缘点与所述第二边缘点是否连通，计算出所述第一边缘点与所述第二边缘点连通时，确定该第一边缘点为第二边缘点；

连接确定出的所有第二边缘点，获得所述图像的所述面特征。

在一种示例性实例中，按照预设策略融合图像的面特征和点特征，包括：

按照以下公式计算获得所述组合特征：

组合特征＝面特征*第一预设权重+点特征*第二预设权重。

另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述实现目标跟踪的方法。

再一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储器中保存有计算机程序；其中，

处理器被配置为执行存储器中的计算机程序；

所述计算机程序被所述处理器执行时实现如上述实现目标跟踪的方法。

还一方面，本发明实施例还提供一种实现目标跟踪的装置，包括：融合单元、标识单元和跟踪单元；其中，

融合单元用于：对图像序列中的各图像，按照预设策略融合图像的面特征和点特征，获得组合特征；

标识单元用于：根据获得的组合特征对图像中的目标进行标识，以获得目标在各图像中的位置；

跟踪单元用于：根据获得目标在各图像中的位置，对目标进行跟踪。

在一种示例性实例中，所述装置还包括提取单元，用于：

从所述图像中提取所述面特征。

在一种示例性实例中，所述融合单元具体用于：

按照以下公式计算获得所述组合特征：

组合特征＝面特征*第一预设权重+点特征*第二预设权重。

本申请包括：对图像序列中的各图像，按照预设策略融合图像的面特征和点特征，获得组合特征；根据获得的组合特征对图像中的目标进行标识，以获得目标在各图像中的位置；根据获得目标在各图像中的位置，对目标进行跟踪。本发明实施例通过融合面特征和点特征的组合特征对目标进行标识，提升了目标自动跟踪过程的目标适应性和跟踪稳定性，提高了目标自动跟踪的运算性能。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本发明实施例实现目标跟踪的方法的流程图；

图2为本发明实施例基于组合特征进行目标标识的示意图；

图3为本发明实施例实现目标跟踪的装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1为本发明实施例实现目标跟踪的方法的流程图，如图1所示，包括：

步骤101、对图像序列中的各图像，按照预设策略融合图像的面特征和点特征，获得组合特征；

需要说明的是，本发明实施例中点特征和面特征分别为：采用相关技术获取的，用于进行目标标识，以获取目标位置的特征。

在一种示例性实例中，图像序列包括：

通过成像传感器获取的用于对目标进行跟踪的图像序列。

在一种示例性示例中，成像传感器获得的图像序列包括：可见光或红外的图像序列。

本发明实施例可以采用相关技术中已有的方法进行点特征的提取，包括但不限于局部梯度法，以下就通过局部梯度法提取点特征的过程进行说明：

假设图像大小为m*n；其中，点像素坐标为(x，y)，像素值为p(x，y)，则其局部梯度d(x，y)计算公式为：

d(x，y)＝(∑|p(x+i，y+j)-p(x，y)|)/25；

其中，i，j为该像素5*5邻域内像素的坐标。

当计算得出的局部梯度大于给定的阈值d0时，即赋值为255，反之则赋值为0，即：d(x，y)>d0时，d(x，y)＝255；d(x，y)<＝d0时，d(x，y)＝0；d0一般取值为32。

遍历整幅图像的所有像素，计算每个像素的局部梯度值，完成图像的点特征提取。

本发明实施例采用内收的方法处理图像边界，即处理图像时最新开始的两行两列和结束前的两行两列不做计算，直接赋值为0。

在一种示例性实例中，融合图像的面特征和点特征之前，本发明实施例方法还包括：

从图像中提取面特征。

在一种示例性实例中，从图像中提取面特征，包括：

对图像进行去噪处理，计算去噪处理后的图像包含的各像素点在各方向的梯度幅值；

将各像素点在各方向的梯度幅值与预设的各方向的梯度阈值进行比对，根据比对结果过滤各像素点后获得第一边缘点；

确定边缘强度大于第一阈值的第一边缘点为第二边缘点；

删除边缘强度小于第二阈值的第一边缘点；

对边缘强度小于第一阈值且大于第二阈值的第一边缘点，计算各第一边缘点与第二边缘点是否连通，计算出第一边缘点与第二边缘点连通时，确定该第一边缘点为第二边缘点；

连接确定出的所有第二边缘点，获得图像的面特征。

需要说明的是，梯度阈值、第一阈值和第二阈值，可以由本领域技术人员根据经验分析确定；边缘强度小于第一阈值且大于第二阈值的第一边缘点，可以以相关技术中已有的算法计算确定是否与第二边缘点连通；

在一种示例性实施例中，对图像采用高斯滤波进行去噪处理，其中，高斯函数可以是：

其中，σ为高斯滤波器的参数，这里σ的取值可以为32。

在一种示例性实施例中，计算图像包含的各像素点在各方向的梯度幅值，包括：利用2×2邻域内的有限差分求取像素点的数据阵列i(x，y)的梯度。

像素点(x，y)处两个方向的偏导数px(x，y)和py(x，y)为：

px(x，y)＝(i(i，j+1)-i(i，j)+i(i+1，j+1)-i(i+1，j))/2；

py(x，y)＝(i(i，j)-i(i+1，j)+i(i，j+1)-i(i+1，j+1))/2；

利用直角坐标与极坐标的转换关系求得点的梯度幅值和方向，梯度幅值的计算公式为：

梯度方向的计算公式为：

θ(i，j)＝tan^-1py(i，j)/px(i，j)

根据预设的各方向的梯度阈值对各像素点进行过滤，获得第一边缘点；将边缘强度大于第一阈值的第一边缘点，确定为第二边缘点；将边缘强度小于第二阈值的第一边缘点删除；对边缘强度小于第一阈值且大于第二阈值的第一边缘点，计算确定与第二边缘点连通时，将该第一边缘点划分为第二边缘点；连接所有第二边缘点，获得图像的面特征。

在一种示例性实例中，按照预设策略融合图像的面特征和点特征，包括：

按照以下公式计算获得组合特征：

组合特征＝面特征*第一预设权重+点特征*第二预设权重。

在一种示例性实例中，第一预设权重和第二预设权重相加和等于1。

在一种示例性实例中，第一预设权重和第二预设权重，可以由本领域技术人员根据跟踪的目标进行分析设定；

在一种示例性实例中，第一预设权重大于第二预设权重；

在一种示例性实例中，第一预设权重等于0.68，第二预设权重等于0.32。

步骤102、根据获得的组合特征对图像中的目标进行标识，以获得目标在各图像中的位置；

本发明实施例获得组合特征后，可以基于组合特征中包含的信息，结合相关原理进行标识；一般的，本发明实施例标识的目标只有一个，可以是：飞行器的停靠点、具有特别结构的建筑、具有特别形状的图案、具有特别组成的车辆等；当标识出多个目标时，可以借助相关技术中已有的算法进行过滤，在此不做赘述。

在一种示例性实例中，在步骤101的实例中，组合特征＝面特征*第一预设权重+点特征*第二预设权重组合特征时，组合特征的标识可以理解为面特征*第一预设权重和点特征*第二预设权重两个部分的目标标识。

图2为本发明实施例基于组合特征进行目标标识的示意图，如图2所示，在标识目标时，由于组合特征由点特征和面特征融合获得，因此目标标识时同时考虑了面特征和点特征。

步骤103、根据获得目标在各图像中的位置，对目标进行跟踪。

需要说明的是，获得目标在各图像中的位置后，本发明实施例可以参照相关技术中已有的方法对图像序列进行处理，实现目标的跟踪。

本发明实施例通过融合面特征和点特征的组合特征对目标进行标识，通过组合特征中的点特征克服目标跟踪时的目标适应性问题，通过组合特征中的面特征克服目标跟中时的稳定性问题。提高了目标自动跟踪的运算性能。

本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述实现目标跟踪的方法。

本发明实施例还提供一种终端，包括：存储器和处理器，存储器中保存有计算机程序；其中，

处理器被配置为执行存储器中的计算机程序；

计算机程序被处理器执行时实现如上述实现目标跟踪的方法。

图3为本发明实施例实现目标跟踪的装置的结构框图，如图3所示，包括：融合单元、标识单元和跟踪单元；其中，

融合单元用于：对图像序列中的各图像，按照预设策略融合图像的面特征和点特征，获得组合特征；

标识单元用于：根据获得的组合特征对图像中的目标进行标识，以获得目标在各图像中的位置；

跟踪单元用于：根据获得目标在各图像中的位置，对目标进行跟踪。

本发明实施例通过融合面特征和点特征的组合特征对目标进行标识，提升了目标自动跟踪过程的目标适应性和跟踪稳定性，提高了目标自动跟踪的运算性能。

在一种示例性实例中，图像序列包括：

通过成像传感器获取的用于对目标进行跟踪的图像序列。

在一种示例性实例中，成像传感器获得的图像序列包括：可见光或红外的图像序列。

在一种示例性实例中，本发明实施例装置还包括提取单元，用于：

对图像进行去噪处理，计算去噪处理后的图像包含的各像素点在各方向的梯度幅值；

将各像素点在各方向的梯度幅值与预设的各方向的梯度阈值进行比对，根据比对结果过滤各像素点后获得第一边缘点；

确定边缘强度大于第一阈值的第一边缘点为第二边缘点；

删除边缘强度小于第二阈值的第一边缘点；

对边缘强度小于第一阈值且大于第二阈值的第一边缘点，计算各第一边缘点与第二边缘点是否连通，计算出第一边缘点与第二边缘点连通时，确定该第一边缘点为第二边缘点；

连接确定出的所有第二边缘点，获得图像的面特征。

在一种示例性实例中，融合单元具体用于：

按照以下公式计算获得组合特征：

组合特征＝面特征*第一预设权重+点特征*第二预设权重。

在一种示例性实例中，第一预设权重和第二预设权重相加和等于1。

在一种示例性实例中，第一预设权重和第二预设权重，可以由本领域技术人员根据跟踪的目标进行分析设定；

在一种示例性实例中，第一预设权重大于第二预设权重；

在一种示例性实例中，第一预设权重等于0.68，第二预设权重等于0.32。

本发明实施例通过组合特征对目标进行标识，通过组合特征中的点特征克服目标跟踪时的目标适应性问题，通过组合特征中的面特征克服目标跟中时的稳定性问题。

“本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质”。