[发明专利]单目标跟踪方法及系统

说明书

技术领域

本发明涉及一种单目标跟踪方法及系统。

背景技术

视觉跟踪技术是计算机视觉领域中重要的研究方向，在行人检测、车辆检测、机器人导航、自动化航空航天中等领域都有着重要的应用。同时，作为人工智能的应用基础，视觉跟踪模拟人类视觉的行为，例如：人类可以根据目标移动的速度去理解目标周围环境的变化。而计算机通过这种基本的行为——视觉跟踪去作更深层次的理解，如目标识别以及场景识别等等。所以视觉跟踪对于计算机模拟人类智能行为是不可或缺的一个研究方向。

另外，视觉跟踪技术主要是研究视频序列的跟踪，即从第一帧中选择出待跟踪的目标，通过相应的算法处理，预测该目标在后续帧中的精确位置。在目标跟踪技术中，光照的变化、目标本身的运动变化（比如目标的尺度变换、目标的表面变化、目标被遮挡或者完全消失）、复杂的背景等一系列的干扰都有可能使得目标跟踪失败或者目标跟踪结果不理想。

发明内容

有鉴于此，有必要提供一种单目标跟踪方法及系统。

本发明提供一种单目标跟踪方法，该方法包括如下步骤：a.从输入视频的当前帧中手动选择一个待跟踪目标，进行随机蕨分类器训练，并建立在线目标模型；b.在所述输入视频的下一帧中产生所有可能的图像块并进行过滤，以进行待跟踪目标的图像“粗定位”；c.在得到“粗定位”的结果后，利用隐形状模型进行待跟踪目标在步骤b所述帧的精准定位；d.将前一帧中的在线目标模型与步骤b所述帧中的目标模型作加权相加，根据步骤b所述帧中待跟踪目标位置产生新的正负样本，并利用所述新的正负样本进行随机蕨分类器的再训练；及e.重复步骤b至步骤d，处理所述输入视频的每一帧信息，直至视频结束。

其中，所述的步骤a具体包括：在输入视频当前帧的搜索空间中定义正样本最大距离r及负样本最大距离d，以所述待跟踪目标的位置为中心，在半径为r的范围内选择出正样本，在半径大于r并且小于d的范围内选择出负样本，将所述正样本及所述负样本送入随机蕨分类器进行训练。

所述的步骤b具体包括：利用随机蕨分类器过滤掉输出置信度在50%以下的图像块。

所述的步骤c具体包括：将每一个图像块中每一个点与前一帧的在线目标模型做匹配，匹配度大于阈值的点作为激活特征，利用每一个图像块中的激活特征及与待跟踪目标位置的对应关系进行投票，选出投票结果最优秀的一个图像块作为步骤b所述帧中待跟踪目标的位置。

所述的加权相加公式为：

A_t=αT_t+(1-α)A_t-1

其中，A_t、T_t分别是t时刻的在线目标模型以及t时刻时的目标模型，α为权值，即遗忘因子。

本发明提供一种单目标跟踪系统，包括相互电性连接的处理模块、粗定位模块及精准定位模块，其中：所述处理模块用于从输入视频的当前帧中手动选择一个待跟踪目标，进行随机蕨分类器训练，并建立在线目标模型；所述粗定位模块用于在所述输入视频的下一帧中产生所有可能的图像块并进行过滤，以进行待跟踪目标的图像“粗定位”；所述精准定位模块用于在得到“粗定位”的结果后，利用隐形状模型进行待跟踪目标在所述粗定位模块中所述帧的精准定位；所述处理模块还用于将前一帧中的在线目标模型与所述粗定位模块中所述帧中的目标模型作加权相加，根据所述粗定位模块中所述帧中待跟踪目标位置产生新的正负样本，并利用所述新的正负样本进行随机蕨分类器的再训练。

其中，所述的加权相加公式为：

A_t=αT_t+(1-α)A_t-1

其中，A_t、T_t分别是t时刻的在线目标模型以及t时刻时的目标模型，α为权值，即遗忘因子。

本发明所提供的单目标跟踪方法及系统，各部分框架相对简单，易于实现，在提高单目标跟踪的实时性、稳定性以及准确度的同时，对于目标跟踪还具有很高的鲁棒性。

附图说明

图1为本发明单目标跟踪方法的流程图；

图2为本发明单目标跟踪系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明单目标跟踪方法较佳实施例的作业流程图。