一种目标跟踪方法以及设备与流程

本发明涉及通信技术领域，特别涉及一种目标跟踪的方法，同时本申请还特别涉及一种目标跟踪的设备。

背景技术：

视频图像中目标跟踪算法是当前计算机视觉领域的一个研究热点，其中，目标跟踪是智能监控的一个重要组成部分，它对视频监控领域及国防安全方面起到了不可或缺的作用，例如，在军事侦察、交通违章追踪、银行系统安全以及民用生活安全保障等领域。

目前，目标跟踪算法主要分为两种，一种是传统的目标跟踪算法；另一种是将目标归为二分类问题，即分为正样本及负样本的实时目标跟踪算法，因其保证实时性，故被广泛应用在各个领域，例如，现有技术中提出了一种基于压缩感知的简单高效的实时目标跟踪算法，该方法首先是要在线获取正负样本，接着通过稀疏测量矩阵对图像特征进行压缩，压缩后的特征几乎保留原始图像所有的重要信息成分，主要是获取满足有限等距特性(restricted isometry property,RIP)条件的稀疏测量矩阵模板，用它对Harr图像特征(输入图像的矩形特征)进行稀疏压缩，最后使用朴素贝叶斯分类器进行分类判断，选出最有可能是目标的矩形框，作为当前目标跟踪结果。

测量矩阵：M*N维(M<<N)矩阵是用来对N维的原信号进行观测，得到M维的观测向量Y，然后可以利用最优化方法从观测值Y中高概率重构X。也就是说原信号X投影到这个观测矩阵(观测基)上得到新的信号用于表示Y。

RIP条件：也称有限等距特性，就是保证测量矩阵不会把两个不同的K稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系)，要求从测量矩阵中抽取的每M个列向量构成的矩阵是非奇异的。

本申请的发明人在实现本申请的过程中，发现现有技术中，至少存在以下问题：

现有技术中的方法是一个边学习边跟踪的过程，从而实现目标的实时跟踪。首先，在线学习获取正负样本的特征，偏向当前新样本，所以很容易就遗忘以前学习过的样本，一旦偏离，就会越偏越远；其次，考虑到目标的实时性，其样本量一般比较少，一般情况下正样本不超过50个，负样本在80个左右，所以跟踪的稳定性不强；再次，跟踪过程中的样本需要实时获取，并进行反复训练来提高分类器的准确度，计算量大；最后，当目标发生遮挡时，分类器更新时便会受到遮挡区域的影响，最终会因为误差累计而导致跟踪漂移。

可见，如何针对现有的目标跟踪方法进行改进，使其不受学习样本的干扰以及对目标的跟踪效果更加准确，成为本领域技术人员亟待解决的技术问题。

技术实现要素：

本发明提供了一种目标跟踪方法以及设备，通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰并采用了两次的精确分类，从而提高最终确定出的目标位置更的准确率。

为了达到上述技术目的，本发明提出了一种目标跟踪方法，所述方法至少包括：

获取待检测图像前一帧图像中的目标位置，根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置；

根据预设的分类器对所述目标框位置进行一次分类，用于对所述待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置；

根据所述分类器对所述一次目标框位置进行二次分类，用于对所述待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据所述二次目标框确定所述待检测图像当前帧图像的目标位置。

在一些实施方式中，本发明在获取待检测图像前一帧图像中的目标位置之前，还包括：

离线获取训练样本，所述训练样本由正样本和负样本组成；

从所述训练样本中提取出图像特征，所述图像特征包括HOG特征和SUR特征；

根据压缩降维方法对所述图像特征进行降维后得到降维图像特征；

将所述降维图像特征输入到SVM中进行训练后得到所述分类器。

在一些实施方式中，本发明根据压缩降维方法对所述图像特征进行降维后得到降维图像特征，具体包括：

根据稀疏测量矩阵对所述图像特征进行一次降维后得到稀疏图像特征；

根据主成分分析算法PCA对所述稀疏图像特征进行二次降维后得到降维图像特征。

在一些实施方式中，本发明根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置，以及根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置，具体包括：

以所述目标位置为圆心、第一预设半径产生圆，并在所述圆内确定多个目标位置，根据所述多个目标位置确定出当前帧图像中的目标框位置；

以所述一次目标框为圆心、第二预设半径产生圆，并在所述圆内确定出多个一次目标框，根据所述多个一次目标框确定出当前帧图像中的一次目标框位置；

其中,所述第一预设半径不小于所述第二预设半径。

在一些实施方式中，本发明的所述目标融合的公式具体为：

Rect[x，y]＝mean{Rect[x₀，y₀]，…，Rect[x_n，y_n]}

其中，Rect[x_i，y_i]的i＝0,1,...,n对应分类结果为y＝1的所有目标框,x_i，y_i对应的是目标框左上角的坐标位置。

相应的，本发明还提出了一种目标跟踪设备，所述设备至少包括：

获取模块，用于获取待检测图像前一帧图像中的目标位置，根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置；

第一确定模块，用于根据预设的分类器对所述目标框位置进行一次分类，用于对所述待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置；

第二确定模块，用于根据所述分类器对所述一次目标框位置进行二次分类，用于对所述待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据所述二次目标框确定所述待检测图像当前帧图像的目标位置。

在一些实施方式中，本发明的所述获取模块在获取待检测图像前一帧图像中的目标位置之前，还包括：

离线获取训练样本，所述训练样本由正样本和负样本组成；

从所述训练样本中提取出图像特征，所述图像特征包括HOG特征和SUR特征；

根据压缩降维方法对所述图像特征进行降维后得到降维图像特征；

将所述降维图像特征输入到SVM中进行训练后得到所述分类器。

在一些实施方式中，本发明还包括训练模块，具体包括：

根据稀疏测量矩阵对所述图像特征进行一次降维后得到稀疏图像特征；

根据主成分分析算法PCA对所述稀疏图像特征进行二次降维后得到降维图像特征。

在一些实施方式中，本发明的所述获取模块根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置，以及所述第一确定模块根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置，具体为：

以所述目标位置为圆心、第一预设半径产生圆，并在所述圆内确定多个目标位置，根据所述多个目标位置确定出当前帧图像中的目标框位置。

以所述一次目标框为圆心、第二预设半径产生圆，并在所述圆内确定出多个一次目标框，根据所述多个一次目标框确定出当前帧图像中的一次目标框位置；

其中,所述第一预设半径不小于所述第二预设半径。

在一些实施方式中，本发明的所述目标融合的公式具体为：

Rect[x，y]＝meaIn{Rect[x₀，y₀]，…，Rect[x_n，y_n]}

其中，Rect[x_i，y_i]的i＝0,1,...,n对应分类结果为y＝1的所有目标框,x_i，y_i对应的是目标框左上角的坐标位置。

由此可见，与现有技术相比，本发明实施例所提出的技术方案的有益技术效果包括：

本发明公开了一种目标跟踪方法，应用于目标监控系统中的前端设备，获取待检测图像前一帧图像中的目标位置，根据目标位置确定待检测图像当前帧图像中的目标框位置；根据预设的分类器对目标框位置进行一次分类，用于对待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据一次目标框确定待检测图像当前帧图像的一次目标框位置；根据分类器对一次目标框位置进行二次分类，用于对待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据二次目标框确定待检测图像当前帧图像的目标位置。本发明通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰、以及采用了两次的精确分类，使得最终确定出的目标位置更加准确。同时，本发明还公开了一种目标跟踪设备。

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所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本申请的技术方案，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申请的一些实施例，对于本领域普通的技术人员而言，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为本申请实施例提出的一种目标跟踪方法的流程示意图；

图2为本申请具体实施例提出的一种SVM分类器训练的流程示意图；

图3为本申请具体实施例提出的一种压缩跟踪二次搜索的流程示意图；

图4为本申请具体实施例中提出一种目标跟踪设备的结构示意图。

具体实施方式

如背景技术所述，由于现有的目标跟踪技术均是边学习边跟踪的过程，从而实现目标的实时跟踪。因此，现有技术存在样本学习容易偏移、跟踪稳定性较差、计算量大以及容易受到遮挡部位的影响，导致目标的跟踪出现误差的问题。

有鉴于以上现有技术中的问题，本申请提出了一种目标跟踪方法。该方法通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰、以及采用了两次的精确分类，使得最终确定出的目标位置更加准确，从而解决了现有技术中目标根据出现误差的问题。

如图1所示，为本申请实施例提出的一种目标跟踪方法的流程示意图，包括以下步骤：

步骤S101、获取待检测图像前一帧图像中的目标位置，根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置。

如背景技术所述，现有技术是采用朴素贝叶斯分类器对图像进行分类判断，选出最有可能是目标的矩形框，作为当前目标跟踪结果，也即，现有技术采用了一次分类的方法进行分类，这样的目标根据方法导致最终确定出来的结果出现误差的概率较大，因此，本发明采用了两次分类的方法对图像目标进行分类，使得目标跟踪的准确率大大提高。

具体的，获取待检测图像前一帧图像中的目标位置，根据目标位置确定待检测图像当前帧图像中的目标框位置；根据预设的分类器对目标框位置进行一次分类，并对分类结果进行目标融合后得到一次目标框，根据一次目标框确定待检测图像当前帧图像的一次目标框位置；根据预设的分类器对一次目标框位置进行二次分类，并对分类结果进行目标融合后得到二次目标框，以二次目标框为待检测图像的目标位置。这样一来，通过在前一帧图像中获取了目标位置，再利用该目标位置在当前帧图像中获取目标框位置，然后通过两次分类方式对目标框位置进行精确的分类，从而得到了精确的目标位置，使得目标根据更加准确。

在本发明的优选实施方式中，为了使目标跟踪准确率更加优越，还预先设置了分类器，具体的，在获取待检测图像前一帧图像中的目标位置之前，离线获取多样性的训练样本，训练样本由正样本和负样本组成；从训练样本中提取出图像特征，图像特征包括HOG特征和SUR特征；根据压缩降维方法对图像特征进行降维后得到降维图像特征；将降维图像特征输入到SVM中进行训练后得到分类器。由于该分类器是在离线过程中完成的，因此，不会收到在线实时样本的干扰，从而使得通过分类器对目标位置进行两次分类的结果更加准确，以减少误差。

在本发明的优选实施方式中，针对通过压缩降维方法对图像特征进行降维后得到降维图像特征，具体包括：根据稀疏测量矩阵对图像特征进行一次降维后得到稀疏图像特征；根据主成分分析算法PCA对稀疏图像特征进行二次降维后得到降维图像特征。这样，通过具体的两次降维之后，降低了后续跟踪过程的算法的复杂度，节省了性能损耗，同时，由于是离线训练，因此该过程突破了在线训练样本个数有限的局限性，省略了在线实时更新分类器的过程，保证了实时性。

步骤S102、根据预设的分类器对所述目标框位置进行一次分类，用于对所述待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置。

该步骤旨在通过确定出的当前帧图像中的目标框位置确定目标位置，为了提高目标跟踪的准确性，本发明采用了两次分类的方式，具体的分类方式将在后续的说明中详尽阐述。

当从待检测图像的前一帧图像中获取到了目标位置之后，还需要根据该目标位置确定出当前帧图像的目标框，具体为，以该目标位置为圆心、预设半径产生圆，并在圆内确定多个目标位置，以多个目标位置确定出当前帧图像中的目标框位置。这样，就确定出了当前帧图像中可能的目标框位置。

需要说明的是，从待检测图像的前一帧图像中获取目标位置的方式是随机的过程，这样一来，就可以使获取的目标位置分布的范围相对较大，有利于提高目标位置的特征值，使确定出的目标位置具有多样性和准确性。

步骤S103、根据所述分类器对所述一次目标框位置进行二次分类，并对二次分类结果进行目标融合后得到二次目标框，根据所述二次目标框确定所述待检测图像当前帧图像的目标位置。

该步骤中，主要是考虑到现有技术中均是采用一次分类的方式便确定出了目标位置，从而导致误差较大的问题，因此，本发明增加了一次利用分类器分类过程，通过增加了分类的次数，增加了对目标跟踪的维度，使得目标跟踪更加准确。

具体的，在根据步骤S102确定出一次目标框位置之后，还需要进一步确定出二次目标框，，用于对所述待检测图像当前帧图像中的目标位置进行精确分类,并以二次目标框为待检测图像最终的目标位置。主要是以一次目标框为圆心、预设半径产生圆，并在圆内确定出多个一次目标框，以多个一次目标框确定出当前帧图像中的一次目标框位置，这样，就通过两次分类的方式确定出了最终精确的目标位置。

需要说明的是，相对于步骤S102中采用随机获取目标位置的的方式，本步骤从一次目标框中采用精确获取的方式获取到了所有可能的目标框位置，进一步的根据该所有可能的目标框位置确定出了二次目标框，即，在本步骤中根据一目标框的具体位置采用精确匹配的方式，确定出了一次目标框位置，从而使得确定出的二次目标框更加精准。

需要注意的是，在步骤S102以及步骤S103中所使用的目标融合的公式具体为：Rect[x，y]＝mean{Rect[x₀，y₀]，...，Rect[x_n，y_n]}，其中，Rect[x_i，y_i]的i＝0,1,...,n对应分类结果为y＝1的所有目标框,x_i，y_i对应的是目标框左上角的坐标位置。

由此可见，与现有技术相比，本发明实施例所提出的技术方案的有益技术效果包括：

本发明公开了一种目标跟踪方法，应用于目标监控系统中的前端设备，获取待检测图像前一帧图像中的目标位置，根据目标位置确定待检测图像当前帧图像中的目标框位置；根据预设的分类器对目标框位置进行一次分类，用于对待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据一次目标框确定待检测图像当前帧图像的一次目标框位置；根据分类器对一次目标框位置进行二次分类，用于对待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据二次目标框确定待检测图像当前帧图像的目标位置。本发明通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰、以及采用了两次的精确分类，使得最终确定出的目标位置更加准确。

需要说明的是，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为了进一步阐述本发明的技术思想，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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。

如上所述，现有技术中的目标跟踪算法均是在线学习的过程，并通过一次分类的方式确定出了目标位置，但是这样的方式存在误差较大的问题，因此，本发明提供一种目标跟踪算法，该方法简单易行，满足实时性要求。首先，通过构造稀疏测量矩阵及PCA主成分分析算法，完成将高维的特征降到低维空间，同时保留了原始图像最重要的图像特征信息；其次，离线SVM训练可以使用大量多样性样本，训练生成分类器，节省了在线更新训练的性能空间，同时达到能稳定有效跟踪目标的效果；最后，在目标跟踪过程中，采用了二次随机搜索策略，在保证跟踪效果的同时降低了性能损耗。

如图2所示，为本申请具体实施例提出的一种SVM分类器训练的流程示意图，通过收集各种场景下大量行人头肩正样本及负样本，当然，样本要求满足多样性，以用于SVM分类器的训练。首先，从训练样本中提取出图像HOG特征，为了丰富图像特征信息，再次提取图像的SUR特征成分；接着使用稀疏测量矩阵R，分别对图像HOG特征及SUR特征进行压缩降维，得到稀疏后的图像特征；最后，对稀疏后的HOG及SUR特征采用PCA主成分分析算法，完成对所有特征的二次降维。

在完成两次降维之后，根据正负样本压缩特征信息，使用SVM算法进行训练生成分类器，得到最终的分类超平面及分类决策函数，接着使用该分类器对待检测样本所有可能的位置进行分类，得到最终的分类结果。

下面针对上述说明做如下步骤解释：

步骤101，提取训练正样本：收集各种场景行人视频序列，可以从视频帧中提取行人目标领域样本，l(z_0)表示目标中心位置，以目标位置为中心，以α＝4(像素)为半径的圆内采集正样本，正样本用z^α＝{z│|l(z)-|(z_0)<α}表示，使用上述方式收集多样性行人样本，现收集行人样本20000张；

步骤102，提取训练负正样本：与正样本相对应的，在目标附近的环形区域内随机采集负样本，负样本用z^α＝{z│γ<|l(z)-|(z_0)<β}表示，γ表示环形区域的内半径，其值取8(像素)，γ>α,β为外半径，其值取25(像素)，采集负样本，现采集负样本30000张；

需要说明的是，根据步骤101-102的方法提取样本时，具体包含以下方式：

(a)准备数据。每一个样本是由一个向量(样本特征)和一个标记(标示出这个样本属于哪个类别)组成，在二次线性分类中，表示分类的标记只有两个值，1和-1。现得到正样本20000张，负样本30000张；

(b)提取特征。首先，以像素差值32为区间，统计样本图像rgb各通道像素值的直方图，每一个通道可获得256/32＝8维的直方图，rgb共3个通道则可获得24维的直方图特征。其次，以角度差值20°为区间，统计样本图像的梯度方向直方图，可获得180°/20°＝9维的直方图特征。最后，将颜色直方图和梯度方向直方图联合起来，合成一个33维的联合特征。为了进一步丰富图像的特征信息，接着提取图像SUR局部特征，但这必然增加计算复杂度，性能损耗也会增加，故对其采取二次降维的策略来实现特征的压缩。

步骤103：为了丰富图像特征信息，本发明计算训练样本的HOG特征以及SUR特征，每一个训练样本的尺寸都是w*h，我们取w＝h＝24，样本其宽和高都在1-24之间变化；

步骤104：初次稀疏压缩，初次压缩目的主要是为了降低图像特征的维度。每一个输入图片(w*h)和不同大小的矩形框进行卷积的结果仍旧是一个(w*h)的矩阵，但是为了方便将这些特征进行融合整理，将这个(w*h)的矩阵转换为一个含有(w*h)元素的列向量。而一个输入的样本图片共有(w*h)个卷积结果，将这(w*h)个列向量连接,表示为x＝(x_1,…,x_m)^T，就变成了一个含有m＝(wh)^2个元素的列向量。这个列向量的长度一般可以达到〖10〗^6-〖10〗^10之间。对于如此高维的特征，显然会带来相当大的计算量，也就需要对其进行降维，故构造稀疏测量矩阵对特征空间进行压缩。

初始化目标信息，获取满足RIP条件的稀疏测量矩阵，具体计算如公式1所述：

其中，i表示矩阵的行，j表示的矩阵的列，参数s＝2或者s＝3。通过稀疏测量矩阵R，将高维特征空间降到低维空间，稀疏后得到特征信息v，因矩阵R满足RIP条件，使得稀疏后的特征几乎保留原始图像的重要信息成分，低维特征空间v的计算方法如公式2所示

v＝Rx 公式2

其中，R＝{r_ij}为稀疏测量矩阵，x＝{x_j}为高维特征空间。

步骤105：二次压缩，其目的是剔除两种特征之间一些重合的特征成分。通过将初次压缩后的HOG特征及SUR特征向量进行联合，使用PCA主成分分析算法对其进行二次降维。PCA的主要思想是对特征进行特征值分解，得到N个特征向量和对应的特征值，N个特征向量表示的是N个标准正交基，根据特征值的模的大小(特征值的模代表矩阵在基上的投影长度)，特征值越大，说明矩阵在对应的特征向量上的方差越大，信息量就越多，故只取前n个最大的特征值和对应的特征向量，就得到了n个最重要的方向及对应方向上的投影长度，这样原始数据的主要信息就被保留下来了，而且维度从N降低到了n。

步骤106：训练分类器。将降维后特征信息分别对应打上标记，输入到SVM中进行分类训练。

如图3所示，为本申请具体实施例提出的一种压缩跟踪二次搜索的流程示意图，具体步骤如下：

步骤101：使用SVM离线分类器进行目标跟踪，可以省略在线更新分类器的过程。在跟踪的过程中，根据需要从所有可能的目标框位置中进行SVM分类，得到目标跟踪结果。SVM算法目的是获取间隔最大的分类超平面，构造目标函数，如公式3所示：

s.t.y_i(w^Tx_i+b)-1≥0，i＝1，...，n 公式3

其中，约束条件表示的是超平面关于每个训练样本点的几何间隔至少是1，由公式3求得最优解w^*，b^*，从而分类超平面的公式如下所示：

w^*·x+b^*＝0 公式4

分类决策函数如下所示：

f(x)＝sign(w^*·x+b^*) 公式5

其中，当f(x)等于0的时候，x便是位于超平面上的点，而f(x)大于0的点对应y＝1即正类的数据点，f(x)小于0的点对应y＝-1即负类的数据点，故跟踪结果也就是y＝1的所有目标框(n个)进行融合，采用求平均的方式，融合公式如下所示：

Rect[x，y]＝mean{Rect[x₀，y₀]，...，Rect[x_n，y_n]} 公式6

其中，Rect[x_i，y_i]的i＝0,1,...,n对应分类结果为y＝1的所有目标框,x_i，y_i对应的是目标框左上角的坐标位置。

步骤102：初次搜索：采用随机获取目标框搜索策略，以前一帧图像目标位置为中心，产生半径35的圆，在圆内进行随机搜索扫描，搜索次数限定为50次，获得50个目标框，实验证明50个点时满足最佳的效果。此处使用随机撒点的方式，是因为图像特征降维时，也使用了随机获取测量矩阵的方法，两个随机策略相对应，故使用随机搜索策略在保证初次定位的效果的同时，也节省了性能空间。接着使用SVM对其进行分类，对分类正确的目标框进行目标均值融合，得到目标框S。

步骤103：二次搜索：以目标框S为中心，半径为10(像素)，步长为1(像素)，进行精搜索，获得所有可能的目标框。然后使用SVM分类器进行分类，其结果进行目标融合得到目标框，即为最终的跟踪结果。

由此可见，与现有技术相比，本发明实施例所提出的技术方案的有益技术效果包括：

本发明公开了一种目标跟踪方法，应用于目标监控系统中的前端设备，获取待检测图像前一帧图像中的目标位置，根据目标位置确定待检测图像当前帧图像中的目标框位置；根据预设的分类器对目标框位置进行一次分类，用于对待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据一次目标框确定待检测图像当前帧图像的一次目标框位置；根据分类器对一次目标框位置进行二次分类，用于对待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据二次目标框确定待检测图像当前帧图像的目标位置。本发明通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰、以及采用了两次的精确分类，使得最终确定出的目标位置更加准确。

相应的，本发明还提出了一种目标跟踪设备，如图4所示，为本申请具体实施例中提出一种目标跟踪设备的结构示意图，所述设备至少包括：

获取模块41，用于获取待检测图像前一帧图像中的目标位置，根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置；

第一确定模块42，用于根据预设的分类器对所述目标框位置进行一次分类，用于对所述待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置；

第二确定模块43，用于根据所述分类器对所述一次目标框位置进行二次分类，用于对所述待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据所述二次目标框确定所述待检测图像当前帧图像的目标位置。

在一些实施方式中，本发明的所述获取模块在获取待检测图像前一帧图像中的目标位置之前，还包括：

离线获取训练样本，所述训练样本由正样本和负样本组成；

从所述训练样本中提取出图像特征，所述图像特征包括HOG特征和SUR特征；

根据压缩降维方法对所述图像特征进行降维后得到降维图像特征；

将所述降维图像特征输入到SVM中进行训练后得到所述分类器。

在一些实施方式中，本发明还包括训练模块，具体包括：

根据稀疏测量矩阵对所述图像特征进行一次降维后得到稀疏图像特征；

根据主成分分析算法PCA对所述稀疏图像特征进行二次降维后得到降维图像特征。

在一些实施方式中，本发明的所述获取模块根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置，以及所述第一确定模块根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置，具体为：

以所述目标位置为圆心、第一预设半径产生圆，并在所述圆内确定多个目标位置，根据所述多个目标位置确定出当前帧图像中的目标框位置。

以所述一次目标框为圆心、第二预设半径产生圆，并在所述圆内确定出多个一次目标框，根据所述多个一次目标框确定出当前帧图像中的一次目标框位置；

其中,所述第一预设半径不小于所述第二预设半径。

在一些实施方式中，本发明的所述目标融合的公式具体为：

Rect[x，y]＝mean{Rect[x₀，y，₀]，…，Rect[x_n，y_n]}

其中，Rect[x_i，y_i]的i＝0,1,...,n对应分类结果为y＝1的所有目标框,x_i，y_i对应的是目标框左上角的坐标位置。

由此可见，与现有技术相比，本发明实施例所提出的技术方案的有益技术效果包括：

本发明公开了一种目标跟踪方法，应用于目标监控系统中的前端设备，获取待检测图像前一帧图像中的目标位置，根据目标位置确定待检测图像当前帧图像中的目标框位置；根据预设的分类器对目标框位置进行一次分类，用于对待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据一次目标框确定待检测图像当前帧图像的一次目标框位置；根据分类器对一次目标框位置进行二次分类，用于对待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据二次目标框确定待检测图像当前帧图像的目标位置。本发明通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰、以及采用了两次的精确分类，使得最终确定出的目标位置更加准确。同时，本发明还公开了一种目标跟踪设备。

在本发明具体实施例中各个模块可以集成于一体，也可以分离部署，上述模块合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明实施例可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或网络侧设备等)执行本发明实施例各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明实施例所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明实施例序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明实施例的几个具体实施场景，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明实施例的业务限制范围。