本发明涉及图像处理技术领域，特别是涉及一种基于大数据分析的目标跟踪方法和系统、计算存储介质及设备。
背景技术
在图像处理技术领域中，通过获取相邻时间片内目标对象的图像，可确定目标对象在一定时间内的运动轨迹，并可根据其运动轨迹实现对目标对象的跟踪。
目前采用的目标跟踪方法是通过颜色特征进行跟踪，即根据获取的图像内目标对象的颜色特征确定目标对象的运动轨迹，进而对目标对象进行跟踪。举例来说，在通过无人机拍摄基站跟踪对象的过程中，可根据跟踪对象的颜色特征在无人机拍摄的影像中的变化，确定跟踪对象相对无人机的运动轨迹，无人机根据该运动轨迹对跟踪对象进行跟踪。
然而，目前采用的目标跟踪方法根据颜色特征进行跟踪，跟踪过程中跟踪对象的颜色特征的变化容易受到光照和背景颜色等的影响，跟踪的稳定性低。
技术实现要素：
基于此，有必要针对上述目标跟踪方法存在稳定性低的技术问题，提供一种基于大数据分析的目标跟踪方法和系统、计算机存储介质和设备。
一种基于大数据分析的目标跟踪方法，包括以下步骤：
获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
在其中一个实施例中，在所述获取目标跟踪区域的第一图像的步骤之前，还包括：根据预设的跟踪对象特征和预设的特征提取算法确定目标跟踪区域和所述目标跟踪区域内的跟踪对象；
或；
根据接收的选定指令确定目标跟踪区域和所述目标跟踪区域内的跟踪对象。
通过根据预设的跟踪对象特征和特征提取算法自动确定目标跟踪区域及区域内的跟踪对象，无需人工操作即可确定目标跟踪区域及跟踪对象，降低了人工成本；通过接收的选定指令直接确定目标跟踪区域及区域内的跟踪对象，提高了确定目标跟踪区域及跟踪对象的效率。
在其中一个实施例中，在所述获取所述目标跟踪区域中任意位置对应的特征值的步骤之前，还包括：
对所述目标跟踪区域中各个位置的权值进行设置，其中，所述目标跟踪区域中各个位置的权值大小与各个位置距离所述目标跟踪区域的中心位置的距离成正比；
根据所述目标跟踪区域中各个位置对应的权值对所述预设的概率密度函数进行修正。
通过反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，进而对预设的概率密度函数进行修正，提高了对跟踪对象进行跟踪的准确性及稳定性。
在其中一个实施例中，所述获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度的步骤包括：
获取所述目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第一概率密度，获取所述目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取所述第一概率密度和所述第三概率密度的第一相似度；
所述根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度的步骤包括：
根据修正后的概率密度函数和所述第二中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第二概率密度，根据修正后的概率密度函数和所述第二中心坐标计算所述第二中心坐标对应的特征值在所述特征值集合内的第四概率密度，获取所述第二概率密度和所述第四概率密度的第二相似度；
所述根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪的步骤包括：
根据所述第一相似度和所述第二相似度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
通过在反向设置目标跟踪区域中各个位置的权值，对概率密度函数进行修正之后，先获取目标跟踪区域的第一图像中边框位置和第一中心坐标各自对应的特征值在跟踪对象特征值集合内的第一和第三概率密度，获取该第一和第三概率密度的第一相似度，再在一定时间之后，获取目标跟踪区域的第二图像中边框位置第二中心坐标各自对应的特征值在特征值集合内的第二和第四概率密度，获取该第二和第四概率密度的第二相似度，根据第一和第二相似度确定移动向量，进而对跟踪对象进行跟踪，从而在跟踪过程中，减少了跟踪区域内背景特征信息的影响，充分捕捉跟踪对象的全部有效特征，提高了跟踪的准确性和稳定性。
在其中一个实施例中，所述根据所述第一相似度和所述第二相似度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪的步骤包括：
获取所述第一相似度相比于第二相似度的比值，根据所述比值确定移动向量；
若所述比值大于预设数值，则确定所述移动向量为远离向量，根据所述远离向量对所述跟踪对象进行跟踪；
若所述比值等于所述预设数值，则确定所述移动向量为静止向量，根据所述静止向量对所述跟踪对象进行跟踪；
若所述比值小于所述预设数值，则确定所述移动向量为靠近向量，根据所述靠近向量对所述跟踪对象进行跟踪。
通过确定第一相似度相比于第二相似度的比值，根据比值准确地确定对跟踪对象进行跟踪的移动向量，提高了跟踪的稳定性。
一种基于大数据分析的目标跟踪系统，包括：
第一获取模块，用于获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
确定模块，用于对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
计算模块，用于获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
第二获取模块，用于在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
跟踪模块，用于根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
在其中一个实施例中，所述基于大数据分析的目标跟踪系统还包括：
设置模块，用于在所述计算模块获取所述目标跟踪区域中任意位置对应的特征值之前，对所述目标跟踪区域中各个位置的权值进行设置，其中，所述目标跟踪区域中各个位置的权值大小与各个位置距离所述目标跟踪区域的中心位置的距离成正比；
修正模块，用于根据所述目标跟踪区域中各个位置对应的权值对所述预设的概率密度函数进行修正。
通过设置模块反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，进而利用修正模块修正预设的概率密度函数，提高了对跟踪对象进行跟踪的准确性及稳定性。
在其中一个实施例中，所述计算模块还用于获取所述目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第一概率密度，获取所述目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取所述第一概率密度和所述第三概率密度的第一相似度；
所述第二获取模块还用于在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域中的第二中心坐标，根据修正后的概率密度函数和所述第二中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第二概率密度，根据修正后的概率密度函数和所述第二中心坐标计算所述第二中心坐标对应的特征值在所述特征值集合内的第四概率密度，获取所述第二概率密度和所述第四概率密度的第二相似度；
所述跟踪模块还用于根据所述第一相似度和所述第二相似度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
通过在设置模块及修正模块反向设置目标跟踪区域中各个位置的权值，对概率密度函数进行修正之后，先利用计算模块获取目标跟踪区域的第一图像中边框位置和第一中心坐标各自对应的特征值在跟踪对象特征值集合内的第一和第三概率密度，获取该第一和第三概率密度的第一相似度，再在一定时间之后，通过第二获取模块获取目标跟踪区域的第二图像中边框位置第二中心坐标各自对应的特征值在特征值集合内的第二和第四概率密度，获取该第二和第四概率密度的第二相似度，并利用跟踪模块根据第一和第二相似度确定移动向量，进而对跟踪对象进行跟踪，从而在跟踪过程中，减少了跟踪区域内背景特征信息的影响，充分捕捉跟踪对象的全部有效特征，提高了跟踪的准确性和稳定性。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于大数据分析的目标跟踪方法。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于大数据分析的目标跟踪方法。
上述基于大数据分析的目标跟踪方法和系统、计算存储介质及设备，根据获取的目标跟踪区域的第一图像确定区域的第一中心坐标，并根据区域的灰度图像确定区域内跟踪对象的特征值集合，根据预设的概率密度函数和第一中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第一概率密度，进而在一定时间间隔之后，获取目标跟踪区域的第二图像，确定第二中心坐标，根据预设的概率密度函数和第二中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第二概率密度，根据第一和第二概率密度确定移动向量，进而根据该移动向量对跟踪对象进行跟踪，从而在跟踪的过程中，减少了跟踪对象颜色特征、光照或背景颜色的变化对跟踪产生的影响，提高了跟踪的稳定性。
附图说明
图1为一个实施例的基于大数据分析的目标跟踪方法的应用环境图；
图2为一个实施例的基于大数据分析的目标跟踪方法流程图；
图3为另一个实施例的基于大数据分析的目标跟踪方法流程图；
图4为一个实施例的基于大数据分析的目标跟踪系统结构示意图；
图5为另一个实施例的基于大数据分析的目标跟踪系统结构示意图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
下面结合具体的实施例及附图对本发明的技术方案进行详细的描述，以使其更加清楚。
如图1所示为一个实施例的基于大数据分析的目标跟踪方法的应用环境图。该基于大数据分析的目标跟踪方法可应用于无人机系统中，进而通过无人机系统自动对目标进行跟踪。如图1所示，无人机10包括飞行装置101、摄像装置102、处理器103、存储器104和通信装置105，其中处理器103分别与飞行装置101、摄像装置102、存储器104和通信装置105相连接，飞行装置101用于实现无人机10的自动飞行，摄像装置102用于获取图像，即在无人机10飞行过程中获取目标跟踪区域的图像，处理器103用于对获取的图像进行处理，包括进行图像和数据处理，从而获取目标跟踪区域及跟踪对象的相关数据，获取的数据可存储于无人机10的存储器104中，也可通过通信装置105发射到数据接收器。
如图2所示为一个实施例的基于大数据分析的目标跟踪方法的流程示意图，该方法包括：
步骤s201：获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
步骤s202：对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
步骤s203：获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
步骤s204：在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
步骤s205：根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
上述基于大数据分析的目标跟踪方法，根据获取的目标跟踪区域的第一图像确定区域的第一中心坐标，并根据区域的灰度图像确定区域内跟踪对象的特征值集合，根据预设的概率密度函数和第一中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第一概率密度，进而在一定时间间隔之后，获取目标跟踪区域的第二图像，确定第二中心坐标，并根据预设的概率密度函数和第二中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第二概率密度，根据第一和第二概率密度确定移动向量，进而根据该移动向量对跟踪对象进行跟踪，从而在跟踪的过程中，减少了跟踪对象颜色特征、光照或背景颜色的变化对跟踪产生的影响，提高了跟踪的稳定性。
在实际应用过程中，可将基于大数据分析的目标跟踪方法应用于无人机系统中，并通过无人机拍摄获取跟踪对象的视频或图像，进而根据获取的图像对跟踪对象进行跟踪。为了便于描述，以下均以该基于大数据分析的目标跟踪方法应用于无人机系统中为例进行说明。
在步骤s201之前，还可包括根据预设的跟踪对象特征和预设的特征提取算法确定目标跟踪区域和目标跟踪区域内的跟踪对象。其中，可采用sift(scale-invariantfeaturetransform，尺度不变特征转换)算法进行特征检测选定，即通过sift算法及预设的跟踪对象的特征自动确定目标跟踪区域及跟踪对象，跟踪对象的特征包括跟踪对象本身的特征及跟踪对象所在跟踪区域的大小，通过根据预设的跟踪对象特征和特征提取算法自动确定目标跟踪区域及区域内的跟踪对象，无需人工操作即可确定目标跟踪区域及对象，降低了人工成本；同样地，还可根据接收的选定指令确定目标跟踪区域和目标跟踪区域内的跟踪对象，相比通过特征提取算法进行自动确定，提高了确定目标跟踪区域及跟踪对象的效率。
在一个实施例中，通过无人机对目标跟踪对象进行跟踪，首先，无人机获取目标跟踪区域当前的图像，目标跟踪区域即为无人机的跟踪框，该跟踪框内区域为第一区域，无人机根据跟踪框内的灰度分布获取跟踪对象的特征值集合r，并计算跟踪框的中心坐标点为y0，因此跟踪框内任意位置对应的特征值μ∈r的概率密度
其中，k(x)表示核函数的轮廓函数，针对跟踪框内不同的位置进行加权，离跟踪框的中心位置y0更近的点的权值比相对较远的点更高。xi表示跟踪框内的各个像素点，h表示核函数的宽度，δ[b(xi)-μ]用来判断点xi的灰度值是否满足第μ个区间的特征值，n为跟踪框内的像素点总数，c为归一化常数。其中，若跟踪框的任意点均满足特征值，则相似度为1，即完全相似。
在预设时间间隔之后，无人机获取到目标跟踪区域的新的图像，在该新的图像中以在核函数宽度包含的区域内选择的其他点作为新的坐标，此时以该新的坐标为中心坐标的跟踪框对应的区域为第二区域，并运用上述方程(1)计算以新的中心坐标确定的第二区域中任意位置的特征值属于所述特征值集合的新的概率密度。然后，运用巴氏系数比较所述概率密度
其中，
方程(3)中加号左侧计算与y值无关，因此仅需右侧方程函数fk如下：
对所述fk进行计算即可得到移动向量，该移动向量即为无人机应做的漂移向量，即得到移动后图像的目标区域中心坐标。通过本实施例中无人机对跟踪对象进行跟踪，减少了跟踪对象颜色特征、光照或背景颜色的变化对跟踪产生的影响，提高了跟踪的稳定性。
在根据以上跟踪算法对跟踪对象进行跟踪时，其中核函数的宽度是固定的，从而跟踪框的大小是固定的，因此无人机在进行拍摄跟踪的过程中，若跟踪对象相对无人机更近，即跟踪对象在无人机拍摄的视频中的图像逐渐变大，而跟踪框与核函数的宽度值均不变，这就使跟踪框内的跟踪对象的特征不足，有一部分或大部分的有效特征无法捕捉，导致跟踪的不准确甚至跟踪失败；另外，当无人机拍摄的视频中的图像逐渐变小时，就会使跟踪框内混入更多背景的特征信息，导致跟踪对象的特征的比例逐渐减小，变化后的跟踪框与原始跟踪框的相似度也会越来越小，遇到干扰容易导致跟踪失败。因此，有必要提高跟踪过程的跟踪准确性，防止跟踪失败。
在步骤s203之前，还可包括对目标跟踪区域中各个位置的权值进行设置，其中，目标跟踪区域各个位置的权值大小与各个位置距离目标跟踪区域的中心位置的距离成正比，进而根据目标跟踪区域中各个位置对应的权值对预设的概率密度函数进行修正。相比传统权值设置的方式，突破惯性思维，采取了反向权值设置，通过反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，越靠近目标跟踪区域的中心的位置的权值越小，进而修正预设的概率密度函数，降低跟踪区域内背景特征信息对权值的影响，提高捕捉跟踪对象的有效特征的准确性，提高了对跟踪对象进行跟踪的准确性及稳定性。
进一步地，在对预设的概率密度函数进行修正之后，步骤s203还可包括获取目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和第一中心坐标计算边框位置对应的特征值在跟踪对象的特征值集合内的第一概率密度，获取目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取第一概率密度和第三概率密度的第一相似度，进而步骤s204还可包括根据修正后的概率密度函数和第二中心坐标计算边框位置对应的特征值在跟踪对象的特征值集合内的第二概率密度，根据修正后的概率密度函数和第二中心坐标计算第二中心坐标对应的特征值在跟踪对象的特征值集合内的第四概率密度，获取第二概率密度和第四概率密度的第二相似度；步骤s205还可包括根据第一相似度和第二相似度确定移动向量，并根据移动向量对跟踪对象进行跟踪。通过反向设置权值修正概率密度函数之后，利用目标跟踪区域内边框位置和中心位置的权值悬殊，充分捕捉跟踪对象的全部有效特征，减少跟踪区域内背景特征信息产生的影响，提高了跟踪的准确性和稳定性，防止了跟踪丢失。
在一个实施例中，无人机在对跟踪对象进行跟踪时，采用新的权值划分机制对目标跟踪对象进行跟踪，即设置距离目标跟踪区域中心越近的位置或像素点的权重越小，距离目标跟踪区域边框更近的位置或像素点具有更大的权重。根据该权值划分结果对核函数进行修正，定义新的核函数方程为g(x)如下：
将方程(6)代入预设概率密度计算方程即方程(1)进行修正，获取修正后的概率密度函数的计算方程，并计算跟踪框第一边界处特征值属于特征值集合的概率密度
进而在预设时间间隔之后，无人机获取目标跟踪区域的新图像，然后重复根据方程计算无人机移动后的跟踪框的第二边界处特征值的概率密度以及新的中心坐标处特征值的概率密度，同样进行相似度计算，得到p2。进而根据p1与p2确定移动向量，对跟踪对象进行跟踪。
具体地，可获取p1与p2的比值λ，根据该比值λ与预设比值的对比确定移动向量，并对跟踪对象进行跟踪。其中，预设比值可为1，并且相似度的比值应大于0，从而当λ>1时，即跟踪框边界处特征值与新的跟踪框边界处相比与目标中心处相似度更高，说明了目标大小应已经大于跟踪框，因此移动向量为远离向量，无人机根据远离向量远离跟踪对象，增加跟踪框的大小；当0<λ<1时，则跟踪框边界处特征值与目标特征不同程度较高，因此移动向量为靠近向量，无人机根据靠近向量靠近跟踪对象，缩小跟踪框大小；另外，当λ＝1时，则移动向量应为静止向量，无人机保持原状，无需改变跟踪框大小。
通过确定第一相似度相比于第二相似度的比值，根据比值准确地确定对跟踪对象进行跟踪的移动向量，提高了跟踪的稳定性。
为本发明的技术方案更为清楚，提供如图3所示一个实施例的基于大数据分析的目标跟踪方法流程图，该方法可包括：
步骤s301：根据接收的选定指令确定跟踪区域及区域内的跟踪对象；
步骤s302：获取跟踪区域的第一图像，根据第一图像确定跟踪区域的第一中心坐标；
步骤s303：对第一图像进行灰度化获得跟踪区域的灰度图像，根据灰度图像的灰度分布确定区域内跟踪对象的特征值集合；
步骤s304：设置跟踪区域内各位置的权值大小与各位置距离跟踪区域的中心位置的距离成正比，根据跟踪区域内各位置的权值获取修正概率密度函数；跟踪区域内距离中心坐标越远的位置权值越大；
步骤s305：根据修正概率密度函数和第一中心坐标计算跟踪区域边框位置对应的特征值在特征值集合内的第一概率；
步骤s306：根据修正概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在特征值集合内的第三概率，获取第一概率密度和第三概率密度的第一相似度；
步骤s307：在预设时间间隔之后，获取跟踪区域的第二图像，根据第二图像确定跟踪区域的第二中心坐标，根据修正概率密度函数和第二中心坐标计算所述边框位置对应的特征值在特征值集合内的第二概率密度；
步骤s308：根据修正概率密度函数和第二中心坐标计算第二中心坐标对应的特征值在特征值集合内的第四概率密度，获取第二概率密度和第四概率密度的第二相似度；
步骤s309：根据第一相似度和第二相似度确定移动向量，根据移动向量对跟踪对象进行跟踪。本实施例的基于大数据分析的目标跟踪方法通过反向设置跟踪区域中各位置的权值，修正概率密度函数，并利用跟踪区域内边框位置和中心位置的权值悬殊，减少跟踪区域内背景特征信息产生的影响，充分捕捉跟踪对象的全部有效特征，提高了跟踪的准确性和稳定性。
针对目前目标跟踪技术存在稳定性低的技术问题，有必要提供一种基于大数据分析的目标跟踪系统，如图4所示，该系统包括：
第一获取模块401，用于获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
确定模块402，用于对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
计算模块403，用于获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
第二获取模块404，用于在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
跟踪模块405，用于根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
上述基于大数据分析的目标跟踪系统，根据第一获取模块401获取的目标跟踪区域的第一图像确定区域的第一中心坐标，根据确定模块402确定区域内跟踪对象的特征值集合，通过计算模块403根据预设的概率密度函数和第一中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第一概率密度，进而在一定时间间隔之后，利用第二获取模块404获取目标跟踪区域的第二图像，确定第二中心坐标，并通过跟踪模块405根据预设的概率密度函数和第二中心坐标计算区域内任意位置对应的特征值在所述特征值集合内的第二概率密度，根据第一和第二概率密度确定移动向量，进而根据该移动向量对跟踪对象进行跟踪，从而在跟踪的过程中，减少了跟踪对象颜色特征、光照或背景颜色的变化对跟踪产生的影响，提高了跟踪的稳定性。
其中，第一获取模块401还可根据预设的跟踪对象特征和预设的特征提取算法确定目标跟踪区域和目标跟踪区域内的跟踪对象。通过根据预设的跟踪对象特征和特征提取算法自动确定目标跟踪区域及区域内的跟踪对象，无需人工操作即可确定目标跟踪区域及对象，降低人工成本；同样地，第一获取模块401还可根据接收的选定指令确定目标跟踪区域和目标跟踪区域内的跟踪对象，相比通过特征提取算法进行自动确定，提高确定目标跟踪区域及跟踪对象的效率。
在如图5所示的一个实施例中，基于大数据分析的目标跟踪系统还可包括设置模块406和修正模块407，其中，设置模块406用于对目标跟踪区域中各个位置的权值进行设置，目标跟踪区域中各个位置的权值大小与各个位置距离目标跟踪区域的中心位置的距离成正比，修正模块407用于根据目标跟踪区域中各个位置对应的权值对预设的概率密度函数进行修正。相比传统权值设置的方式，本基于大数据分析的目标跟踪系统突破惯性思维，通过设置模块406反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，越靠近目标跟踪区域的中心的位置的权值越小，进而利用修正模块407修正预设的概率密度函数，降低跟踪区域内背景特征信息对权值的影响，提高捕捉跟踪对象的有效特征的准确性，提高了对跟踪对象进行跟踪的准确性及稳定性。
进一步地，在对预设的概率密度函数进行修正之后，计算模块403还可获取目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和第一中心坐标计算边框位置对应的特征值在跟踪对象的特征值集合内的第一概率密度，获取目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取第一概率密度和第三概率密度的第一相似度，第二获取模块404还可根据修正后的概率密度函数和第二中心坐标计算边框位置对应的特征值在跟踪对象的特征值集合内的第二概率密度，根据修正后的概率密度函数和第二中心坐标计算第二中心坐标对应的特征值在跟踪对象的特征值集合内的第四概率密度，获取第二概率密度和第四概率密度的第二相似度；从而跟踪模块405可根据第一相似度和第二相似度确定移动向量，并根据移动向量对跟踪对象进行跟踪。通过设置模块406和修正模块407反向设置权值并修正概率密度函数，通过计算模块403、第二获取模块404和跟踪模块405利用目标跟踪区域内边框位置和中心位置的权值悬殊，充分捕捉跟踪对象的全部有效特征，减少跟踪区域内背景特征信息产生的影响，提高了跟踪的准确性和稳定性，防止了跟踪丢失。
其中，跟踪模块405在对跟踪对象进行跟踪时，可获取第一相似度相比于第二相似度的比值，根据该比值确定移动向量，进而实现跟踪。其中，若比值大于预设数值，则确定移动向量为远离向量，根据远离向量对跟踪对象进行跟踪；若比值等于预设数值，则确定移动向量为静止向量，根据静止向量对跟踪对象进行跟踪；否则确定移动向量为靠近向量，根据靠近向量对跟踪对象进行跟踪。通过确定第一相似度相比于第二相似度的比值，根据比值准确地确定对跟踪对象进行跟踪的移动向量，提高了跟踪的稳定性。
关于基于大数据分析的目标跟踪系统的具体限定可以参见上文中对于基于大数据分析的目标跟踪方法的限定，在此不再赘述。上述基于大数据分析的目标跟踪系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器、网络接口、摄像装置和输入装置。该非易失性存储介质存储有操作系统和计算机程序，该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境，该计算机设备的网络接口用于与外部的终端通过网络连接通信，其中通过摄像装置获取目标的图像，通过输入装置接收输入的指令和数据。该计算机程序被处理器执行时以实现一种基于大数据分析的目标跟踪方法。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
在一个实施例中，处理器执行计算机程序时还实现以下步骤，包括根据预设的跟踪对象特征和预设的特征提取算法确定目标跟踪区域和所述目标跟踪区域内的跟踪对象；或根据接收的选定指令确定目标跟踪区域和所述目标跟踪区域内的跟踪对象。通过根据预设的跟踪对象特征和特征提取算法自动确定目标跟踪区域及区域内的跟踪对象，无需人工操作即可确定目标跟踪区域及跟踪对象，降低了人工成本；通过接收的选定指令直接确定目标跟踪区域及区域内的跟踪对象，提高了确定目标跟踪区域及跟踪对象的效率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤，包括对所述目标跟踪区域中各个位置的权值进行设置，其中，所述目标跟踪区域中各个位置的权值大小与各个位置距离所述目标跟踪区域的中心位置的距离成正比，根据所述目标跟踪区域中各个位置对应的权值对所述预设的概率密度函数进行修正。通过反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，进而对预设的概率密度函数进行修正，提高了对跟踪对象进行跟踪的准确性及稳定性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤，包括获取所述目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第一概率密度，获取所述目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取所述第一概率密度和所述第三概率密度的第一相似度；在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据修正后的概率密度函数和所述第二中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第二概率密度，根据修正后的概率密度函数和所述第二中心坐标计算所述第二中心坐标对应的特征值在所述特征值集合内的第四概率密度，获取所述第二概率密度和所述第四概率密度的第二相似度；根据所述第一相似度和所述第二相似度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。通过反向设置权值修正概率密度函数之后，利用目标跟踪区域内边框位置和中心位置的权值悬殊，充分捕捉跟踪对象的全部有效特征，减少跟踪区域内背景特征信息产生的影响，提高了跟踪的准确性和稳定性，防止了跟踪丢失。
在一个实施例中，处理器执行计算机程序时还实现以下步骤，包括获取所述第一相似度相比于第二相似度的比值，根据所述比值确定移动向量，若所述比值大于预设数值，则确定所述移动向量为远离向量，根据所述远离向量对所述跟踪对象进行跟踪，若所述比值等于所述预设数值，则确定所述移动向量为静止向量，根据所述静止向量对所述跟踪对象进行跟踪，若所述比值小于所述预设数值，则确定所述移动向量为靠近向量，根据所述靠近向量对所述跟踪对象进行跟踪。通过确定第一相似度相比于第二相似度的比值，根据比值准确地确定对跟踪对象进行跟踪的移动向量，提高了跟踪的稳定性。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标跟踪区域的第一图像，根据所述第一图像确定所述目标跟踪区域的第一中心坐标；
对所述第一图像进行灰度化处理获得所述目标跟踪区域的灰度图像，根据所述灰度图像的灰度分布确定所述目标跟踪区域内跟踪对象的特征值集合；
获取所述目标跟踪区域中任意位置对应的特征值，根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度；
在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度；
根据所述第一概率密度和所述第二概率密度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤，包括根据预设的跟踪对象特征和预设的特征提取算法确定目标跟踪区域和所述目标跟踪区域内的跟踪对象；或根据接收的选定指令确定目标跟踪区域和所述目标跟踪区域内的跟踪对象。通过根据预设的跟踪对象特征和特征提取算法自动确定目标跟踪区域及区域内的跟踪对象，无需人工操作即可确定目标跟踪区域及跟踪对象，降低了人工成本；通过接收的选定指令直接确定目标跟踪区域及区域内的跟踪对象，提高了确定目标跟踪区域及跟踪对象的效率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤，包括对所述目标跟踪区域中各个位置的权值进行设置，其中，所述目标跟踪区域中各个位置的权值大小与各个位置距离所述目标跟踪区域的中心位置的距离成正比，根据所述目标跟踪区域中各个位置对应的权值对所述预设的概率密度函数进行修正。通过反向设置目标跟踪区域中各个位置的权值，即不同位置的权值大小与各位置距离目标跟踪区域的中心的距离成正比，进而对预设的概率密度函数进行修正，提高了对跟踪对象进行跟踪的准确性及稳定性。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤，包括获取所述目标跟踪区域边框位置对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第一概率密度，获取所述目标跟踪区域第一中心坐标对应的特征值，根据修正后的概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第三概率密度，获取所述第一概率密度和所述第三概率密度的第一相似度；在预设时间间隔之后，获取所述目标跟踪区域的第二图像，根据所述第二图像确定所述目标跟踪区域的第二中心坐标，根据修正后的概率密度函数和所述第二中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第二概率密度，根据修正后的概率密度函数和所述第二中心坐标计算所述第二中心坐标对应的特征值在所述特征值集合内的第四概率密度，获取所述第二概率密度和所述第四概率密度的第二相似度；根据所述第一相似度和所述第二相似度确定移动向量，根据所述移动向量对所述跟踪对象进行跟踪。通过反向设置权值修正概率密度函数之后，利用目标跟踪区域内边框位置和中心位置的权值悬殊，充分捕捉跟踪对象的全部有效特征，减少跟踪区域内背景特征信息产生的影响，提高了跟踪的准确性和稳定性，防止了跟踪丢失。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤，包括获取所述第一相似度相比于第二相似度的比值，根据所述比值确定移动向量，若所述比值大于预设数值，则确定所述移动向量为远离向量，根据所述远离向量对所述跟踪对象进行跟踪，若所述比值等于所述预设数值，则确定所述移动向量为静止向量，根据所述静止向量对所述跟踪对象进行跟踪，否则确定所述移动向量为靠近向量，根据所述靠近向量对所述跟踪对象进行跟踪。通过确定第一相似度相比于第二相似度的比值，根据比值准确地确定对跟踪对象进行跟踪的移动向量，提高了跟踪的稳定性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三\第四”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三\第四”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三\第四”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明几种实施方式，其描述较为具体，但并不能因此而理解为对本发明专利范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。