目标跟踪方法和装置制造方法
【专利摘要】本发明公开了一种目标跟踪方法和装置，属于电子设备领域。所述方法包括：获取输入视频和所述输入视频的预设图像中的运动目标；对所述预设图像中的运动目标进行分割，得到第一区域、第二区域、第三区域和第四区域；根据所述第一区域、第二区域、第三区域、第四区域和实时压缩跟踪算法，得到第一区域分类器、第二区域分类器、第三区域分类器和第四区域分类器；根据所述第一区域分类器、第二区域分类器、第三区域分类器、第四区域分类器，计算所述待跟踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目标。本发明通过对运动目标进行分割并应用四个分类器的加权得分值确定目标，避免了遮挡带来的漂移问题。
【专利说明】目标跟3示方法和装置
【技术领域】
[0001] 本发明涉及电子设备领域，特别涉及一种目标跟踪方法和装置。
【背景技术】
[0002] 随着机器视觉技术的不断发展，目标跟踪成为视频分析中的一个重要研宄方向。 目标跟踪通过对视频序列进行处理，获取视频中每一帧图像中感兴趣的运动目标的位置， 并将不同帧中的同一目标对应起来。复杂环境下有效且鲁棒的目标跟踪算法在很多应用中 有着非常重要的地位，如视频监控、自主导航和人机交互等。
[0003] 现有技术中，基于实时压缩跟踪算法通过对正负样本的高维多尺度图像特征做投 影，得到正负样本的低维的压缩特征向量，再用此特征向量来学习更新贝叶斯分类器，并使 用朴素贝叶斯分类器将目标从背景中分离出来，实现目标跟踪。基于实时压缩跟踪算法提 高了计算速度，也满足了实时性要求。
[0004] 在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
[0005] 现有技术中，实时压缩跟踪算法是一种自学习的过程，当目标发生严重遮挡时，被 遮挡区域及其周围的目标将被作为正样本集来对分类器进行更新，这样长时间更新会降低 分类器的区分能力，从而导致错误累积，进而出现漂移现象。
【发明内容】
[0006] 为了解决目标跟踪过程中目标遮挡带来的漂移问题，本发明实施例提供了一种目 标跟踪方法和装置。所述技术方案如下：
[0007] 第一方面，本发明提供了一种目标跟踪方法，所述方法包括：
[0008] 获取输入视频和所述输入视频的预设图像中的运动目标，所述输入图像包括所述 预设图像和待跟踪图像；
[0009] 对所述预设图像中的运动目标进行分割，得到第一区域、第二区域、第三区域和第 四区域；
[0010] 根据所述第一区域、第二区域、第三区域、第四区域和实时压缩跟踪算法，得到第 一区域分类器、第二区域分类器、第三区域分类器和第四区域分类器；
[0011] 根据所述第一区域分类器、第二区域分类器、第三区域分类器、第四区域分类器和 所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标区域的加权得分 值，将加权得分值最高的候选目标区域作为跟踪目标。
[0012] 结合第一方面，在第一方面的第一种可能的实施方式中，根据所述第一区域分类 器、第二区域分类器、第三区域分类器、第四区域分类器和所述待跟踪图像中的候选目标区 域，计算所述待跟踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标 区域作为跟踪目标之后，所述方法还包括：
[0013] 根据所述跟踪目标和所述实时压缩跟踪算法，更新所述第一区域分类器、第二区 域分类器、第三区域分类器和第四区域分类器的参数。
[0014] 结合第一方面，在第一方面的第二种可能的实施方式中，对所述预设图像中的运 动目标进行分割，得到第一区域、第二区域、第三区域和第四区域，包括：
[0015] 在水平方向上对所述预设图像中的运动目标进行平均分割，得到第一区域和第二 区域；
[0016] 在垂直方向上对所述预设图像中的运动目标进行平均分割，得到第三区域和第四 区域。
[0017] 结合第一方面，在第一方面的第三种可能的实施方式中，根据所述第一区域分类 器、第二区域分类器、第三区域分类器、第四区域分类器和所述待跟踪图像中的候选目标区 域，计算所述待跟踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标 区域作为跟踪目标，包括：
[0018] 根据所述第一区域分类器、第二区域分类器、第三区域分类器、第四区域分类器和 所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标区域的得分值，所 述待跟踪图像中的候选目标区域的得分值包括所述第一区域分类器得分值、第二区域分类 器得分值、第三区域分类器得分值、第四区域分类器得分值；
[0019] 加权得分值计算单元，用于将所述待跟踪图像中的候选目标区域的得分值代入公 式Cp=WJw2 (sumk (Hk (Vk)) -Ch-C1) +W3C1^，得到所述待跟踪图像中的候选目标区域的加权 得分值，其中，Cp为所述待跟踪图像中的候选目标区域的加权得分值，p为所述检测图像中 的候选目标区域的索引值，W1为分类器得分值最高的分类器的权值，W3为所述分类器得分 值最低的分类器的权值，《2为其它分类器的权值，Hk(Vk)为所述待跟踪图像中的候选目标区 域的得分值，CjPCi分别为所述待跟踪图像中的候选目标区域的得分值中的最高得分值和 最低得分值，Ch=argmaxk (Hk (vk))，C1=argmink (Hk (vk));
[0020] 将所述待跟踪图像中的候选目标区域的加权得分值公式代入公式P' = argmaXpCp，得到加权得分值最高的候选目标区域，将所述加权得分值最高的候选目标区域 作为跟踪目标，其中，P'为所述加权得分值最高的候选目标区域的索引值。
[0021] 第二方面，本发明提供了一种目标跟踪装置，所述装置包括：
[0022] 视频获取模块，用于获取输入视频和所述输入视频的预设图像中的运动目标，所 述输入图像包括所述预设图像和待跟踪图像；
[0023] 分割模块，用于对所述预设图像中的运动目标进行分割，得到第一区域、第二区 域、第三区域和第四区域；
[0024] 分类器计算模块，用于根据所述第一区域、第二区域、第三区域、第四区域和实时 压缩跟踪算法，得到第一区域分类器、第二区域分类器、第三区域分类器和第四区域分类 器；
[0025] 目标跟踪模块，用于根据所述第一区域分类器、第二区域分类器、第三区域分类 器、第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选 目标区域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目标。
[0026] 结合第二方面，在第二方面的第一种可能的实施方式中，所述装置还包括：
[0027] 分类器更新模块，用于根据所述跟踪目标和所述实时压缩跟踪算法，更新所述第 一区域分类器、第二区域分类器、第三区域分类器和第四区域分类器的参数。
[0028]结合第二方面，在第二方面的第二种可能的实施方式中，所述分割模块包括：
[0029] 水平分割单元，用于在水平方向上对所述预设图像中的运动目标进行平均分割， 得到第一区域和第二区域；
[0030] 垂直分割单元，用于在垂直方向上对所述预设图像中的运动目标进行平均分割， 得到第三区域和第四区域。
[0031] 结合第二方面，在第二方面的第三种可能的实施方式中，所述目标跟踪模块包 括：
[0032] 得分值计算单元，用于根据所述第一区域分类器、第二区域分类器、第三区域分类 器、第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选 目标区域的得分值，所述待跟踪图像中的候选目标区域的得分值包括所述第一区域分类器 得分值、第二区域分类器得分值、第三区域分类器得分值、第四区域分类器得分值；
[0033] 加权得分值计算单元，用于加权得分值计算单元，用于将所述待跟踪图像中的候 选目标区域的得分值代入公式Cp=wJw2 (sumk (Hk(vk)) -Ch-C1) +W3C1If，得到所述待跟踪图 像中的候选目标区域的加权得分值，其中，（；为所述待跟踪图像中的候选目标区域的加权 得分值，P为所述检测图像中的候选目标区域的索引值，W1为分类器得分值最高的分类器的 权值，《3为所述分类器得分值最低的分类器的权值，w2为其它分类器的权值，Hk (Vk)为所述 待跟踪图像中的候选目标区域的得分值，CjPCi分别为所述待跟踪图像中的候选目标区域 的得分值中的最高得分值和最低得分值，Ch=argmaxk(Hk(vk))，C1=argmink(Hk(vk));
[0034] 目标跟踪单元，用于将所述待跟踪图像中的候选目标区域的加权得分值公式代入 公式p' =argmaxPCp，得到加权得分值最高的候选目标区域，将所述加权得分值最高的候选 目标区域作为跟踪目标，其中，P'为所述加权得分值最高的候选目标区域的索引值。
[0035] 本发明实施例提供的技术方案带来的有益效果是：
[0036] 本发明实施例提供了一种目标跟踪方法和装置，通过获取输入视频和所述输入视 频的预设图像中的运动目标，所述输入图像包括所述预设图像和待跟踪图像；对所述预设 图像中的运动目标进行分割，得到第一区域、第二区域、第三区域和第四区域；根据所述第 一区域、第二区域、第三区域、第四区域和实时压缩跟踪算法，得到第一区域分类器、第二区 域分类器、第三区域分类器和第四区域分类器；根据所述第一区域分类器、第二区域分类 器、第三区域分类器、第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟 踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目 标。通过对运动目标进行分割并应用四个分类器的加权得分值确定目标，提高了分类器的 分类性能，避免了遮挡带来的漂移问题。
【专利附图】
【附图说明】
[0037] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0038] 图1是本发明第一实施例中提供的一种目标跟踪方法流程图；
[0039] 图2a是本发明第二实施例中提供的一种目标跟踪方法流程图；
[0040] 图2b是本发明实施例二中提供的一种运动目标的水平分割图；
[0041] 图2c是本发明实施例二中提供的一种运动目标的垂直分割图；
[0042] 图3是本发明第三实施例中提供的一种目标跟踪装置结构示意图。
【具体实施方式】
[0043] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方 式作进一步地详细描述。
[0044] 图1是本发明第一实施例中提供的一种目标跟踪方法流程图，本发明实施例的执 行主体是具有数据处理功能的电子设备，所述电子设备可以为服务器、摄像设备或个人计 算机等，参见图1，该方法包括：
[0045] 101 :获取输入视频和所述输入视频的预设图像中的运动目标，所述输入图像包括 所述预设图像和待跟踪图像；
[0046] 其中，该输入视频由多帧连续图像组成，该输入视频中的预设图像、该预设图像中 的运动目标和待跟踪图像由技术人员进行设置。
[0047] 电子设备通过与之相连接的摄像设备进行实时拍摄或者通过数据传输线从其他 设备获取输入视频。该电子设备根据输入视频，获取该预设图像和该预设图像中的运动目 标。
[0048] 102:对所述预设图像中的运动目标进行分割，得到第一区域、第二区域、第三区域 和第四区域；
[0049] 该电子设备在获取到该预设图像中的运动目标后，根据该预设图像中的运动目标 的坐标，对该预设图像中的运动目标进行分割。该分割过程可以分为以下三种：
[0050] (1)该分割过程可以为同时在在水平方向上和垂直方向上对该预设图像中的运动 目标进行平均分割后，该预设图像中的运动目标被平均分割为四个大小相同的区域，即得 到第一区域、第二区域、第三区域和第四区域；
[0051] (2)该分割过程可以为在水平方向上对该预设图像中的运动目标进行平均分割， 该预设图像中的运动目标被平均分割为两个大小相同的区域，即得到第一区域和第二区 域，在垂直方向上对该预设图像的运动目标进行平均分割，该预设图像中的运动目标被平 均分割为两个大小相同的区域，即得到第三区域和第四区域；
[0052] (3)该分割过程还可以为非平均分割，或为在水平方向上的分割、或为在垂直方向 上的分割等，对此，本发明实施例不做具体限定。
[0053] 需要说明的是，该分割过程还可以为多区域分割，分割数量可以为5、6、7等，对于 分割的数量和分割的方式本发明实施例不做具体限定。
[0054] 当对该预设图像中的运动目标分割后得到的区域过小时，在对该区域进行特征提 取时，不能提取到有效的区域特征，降低分类器的分类性能；而当对该预设图像中的运动目 标分割后得到的区域过大时，会降低算法的抗遮挡能力。优选地，对该预设图像中的运动目 标进行分割时采用第（2)种分割算法。
[0055] 103:根据所述第一区域、第二区域、第三区域、第四区域和实时压缩跟踪算法，得 到第一区域分类器、第二区域分类器、第三区域分类器和第四区域分类器；
[0056] 其中，该实时压缩跟踪算法具体步骤如下：
[0057] (1)在靠近目标位置的区域内选取正样本集，在远离目标的区域内选取负样本集， 该选取过程由技术人员进行设置。
[0058] 正样本集的提取，可采用如下公式：
[0059] Da ={zI11 (z)-I11〈a} (I)
[0060] 其中，Dci为正样本集的索引的集合，It为目标的中心坐标位置，l(z)为正样本集 的中心坐标位置，a为目标的中心坐标位置到正样本集的中心坐标位置之间不能超过的最 大距离。
[0061] 负样本集的提取，可采用如下公式：
[0062] ?ζ,β ={zIζ< 11 (z)-I11 <β} (2)
[0063] 其中，Μ"为负样本集的索引的集合，It为目标的中心坐标位置，l(z)为负样本 集的中心坐标位置，α<ζ〈β，ζ和β为目标的中心坐标位置到负样本集的中心坐标位置 之间不能超过的最小距离和最大距离。
[0064] (2)利用符合压缩感知条件的稀疏测量矩阵对正样本集和负样本集的多尺度图像 特征做投影，得到低维的压缩特征向量，其计算公式如下：
[0065] V=RX (3)
[0066] 其中，为稀疏测量矩阵，XeRfX为用不同尺度的矩形滤波 器对样本进行卷积而得到的高维特征向量，PeRn:为提取的低维特征向量。
[0067] (3)根据得到的正样本集和负样本集的低维特征向量V，计算分类器参数。该算法 使用朴素贝叶斯分类器，计算公式如下：
【权利要求】
1. 一种目标跟踪方法，其特征在于，所述方法包括： 获取输入视频和所述输入视频的预设图像中的运动目标，所述输入图像包括所述预设 图像和待跟踪图像； 对所述预设图像中的运动目标进行分割，得到第一区域、第二区域、第三区域和第四区 域； 根据所述第一区域、第二区域、第三区域、第四区域和实时压缩跟踪算法，得到第一区 域分类器、第二区域分类器、第三区域分类器和第四区域分类器； 根据所述第一区域分类器、第二区域分类器、第三区域分类器、第四区域分类器和所述 待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标区域的加权得分值，将 加权得分值最高的候选目标区域作为跟踪目标。
2. 根据权利要求1所述的方法，其特征在于，根据所述第一区域分类器、第二区域分类 器、第三区域分类器、第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟 踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目标 之后，所述方法还包括： 根据所述跟踪目标和所述实时压缩跟踪算法，更新所述第一区域分类器、第二区域分 类器、第三区域分类器和第四区域分类器的参数。
3. 根据权利要求1所述的方法，其特征在于，对所述预设图像中的运动目标进行分割， 得到第一区域、第二区域、第三区域和第四区域，包括： 在水平方向上对所述预设图像中的运动目标进行平均分割，得到第一区域和第二区 域； 在垂直方向上对所述预设图像中的运动目标进行平均分割，得到第三区域和第四区 域。
4. 根据权利要求1所述的方法，其特征在于，根据所述第一区域分类器、第二区域分 类器、第三区域分类器、第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待 跟踪图像中的候选目标区域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目 标，包括： 根据所述第一区域分类器、第二区域分类器、第三区域分类器、第四区域分类器和所述 待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标区域的得分值，所述待 跟踪图像中的候选目标区域的得分值包括所述第一区域分类器得分值、第二区域分类器得 分值、第三区域分类器得分值、第四区域分类器得分值； 将所述待跟踪图像中的候选目标区域的得分值代入公式Cp =Wl+w2 (sumk (Hk(vk)) -Ch-Q) +WA中，得到所述待跟踪图像中的候选目标区域的加权得分值， 其中，Cp为所述待跟踪图像中的候选目标区域的加权得分值，p为所述检测图像中的候选目 标区域的索引值，w1为分类器得分值最高的分类器的权值，w3为所述分类器得分值最低的 分类器的权值，w2为其它分类器的权值，Hk(vk)为所述待跟踪图像中的候选目标区域的得分 值，Ch和C 别为所述待跟踪图像中的候选目标区域的得分值中的最高得分值和最低得分 值，Ch= arg max k(Hk (vk))，Ci= arg min k (Hk (vk))；； 将所述待跟踪图像中的候选目标区域的加权得分值公式代入公式P' =arg maxPCp， 得到加权得分值最高的候选目标区域，将所述加权得分值最高的候选目标区域作为跟踪目 标，其中，P'为所述加权得分值最高的候选目标区域的索引值。
5. -种目标跟踪装置，其特征在于，所述装置包括： 视频获取模块，用于获取输入视频和所述输入视频的预设图像中的运动目标，所述输 入图像包括所述预设图像和待跟踪图像； 分割模块，用于对所述预设图像中的运动目标进行分割，得到第一区域、第二区域、第 三区域和第四区域； 分类器计算模块，用于根据所述第一区域、第二区域、第三区域、第四区域和实时压缩 跟踪算法，得到第一区域分类器、第二区域分类器、第三区域分类器和第四区域分类器； 目标跟踪模块，用于根据所述第一区域分类器、第二区域分类器、第三区域分类器、第 四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标区 域的加权得分值，将加权得分值最高的候选目标区域作为跟踪目标。
6. 根据权利要求5所述的装置，其特征在于，所述装置还包括： 分类器更新模块，用于根据所述跟踪目标和所述实时压缩跟踪算法，更新所述第一区 域分类器、第二区域分类器、第三区域分类器和第四区域分类器的参数。
7. 根据权利要求5所述的装置，其特征在于，所述分割模块包括： 水平分割单元，用于在水平方向上对所述预设图像中的运动目标进行平均分割，得到 第一区域和第二区域； 垂直分割单元，用于在垂直方向上对所述预设图像中的运动目标进行平均分割，得到 第三区域和第四区域。
8. 根据权利要求5所述的装置，其特征在于，所述目标跟踪模块包括： 得分值计算单元，用于根据所述第一区域分类器、第二区域分类器、第三区域分类器、 第四区域分类器和所述待跟踪图像中的候选目标区域，计算所述待跟踪图像中的候选目标 区域的得分值，所述待跟踪图像中的候选目标区域的得分值包括所述第一区域分类器得分 值、第二区域分类器得分值、第三区域分类器得分值、第四区域分类器得分值； 加权得分值计算单元，用于将所述待跟踪图像中的候选目标区域的得分值代入公式Cp=Wi+w2 (sumk (Hk (vk)) -Ch-Cj +w3Ci中，得到所述待跟踪图像中的候选目标区域的加权得分 值，其中，Cp为所述待跟踪图像中的候选目标区域的加权得分值，p为所述检测图像中的候 选目标区域的索引值，w1为分类器得分值最高的分类器的权值，《3为所述分类器得分值最 低的分类器的权值，w2为其它分类器的权值，Hk(vk)为所述待跟踪图像中的候选目标区域的 得分值，CjP C i分别为所述待跟踪图像中的候选目标区域的得分值中的最高得分值和最低 得分值，Ch= arg max k(Hk(vk))，(：!= arg min k(Hk(vk)); 目标跟踪单元，用于将所述待跟踪图像中的候选目标区域的加权得分值公式代入公式 p' = argmaXpCp，得到加权得分值最高的候选目标区域，将所述加权得分值最高的候选目标 区域作为跟踪目标，其中，P'为所述加权得分值最高的候选目标区域的索引值。
【文档编号】G06T7/20GK104484889SQ201410773768
【公开日】2015年4月1日 申请日期:2014年12月15日 优先权日:2014年12月15日
【发明者】徐光柱, 何艳, 景静, 雷帮军 申请人:三峡大学