[发明专利]一种基于轨迹优化的目标跟踪方法及系统

说明书

本发明提供一种基于轨迹优化的目标跟踪方法及系统，在第一帧进行目标模型的构建，包括首先对目标进行样本的采样，进而根据与目标的覆盖率标记样本，提取多融合特征训练结构化的分类器，得到基础的目标模型；然后在后续帧图片中采取若干候选，利用每一个候选训练模型，选出下一帧中置信度最高的候选。如此迭代多帧之后，根据连续多帧中构成的多条轨迹的平均置信度，从而选出目标的最佳运动短轨迹。因此，本发明通过引入目标在连续帧的时序稳定性，克服了传统的基于静态检测方法因忽略时空信息导致模型判别力不足，从而无法选出最佳目标而导致模型漂移的问题，并且提出一种基于多特征融合的结构化输出分类模型，能有效地提高模型的辨别力。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于轨迹优化的目标跟踪方法及系统。

背景技术

目标跟踪的目标是在连续的图像或视频序列中估计出感兴趣目标的运动状态和运动轨迹。它是计算机视觉的一个重要分支，被广泛应用于行为分析、视频监控、智慧交通、国防建设等各个领域。近年来，尽管目标跟踪已经取得了很大的进展^[1-5]，但是由于光照变化、尺度变化、以及局部遮挡等环境因素的影响，当前的跟踪算法的鲁棒性和稳定性还具有一定的局限性。

现有的目标跟踪算法大致可归为生成式方法和判别式方法。生成式方法是指在图像区域中找到与运动目标模型最相似的区域以实现跟踪。而判别式跟踪方法把跟踪看成二分类问题，旨在构造一个分类器将目标和背景区分出来。如Kalal等人提出一种P-N学习方法以利用正负样本之间的结构关系来学习一个分类器从而实现跟踪^[2]。

然而，现有的大多数跟踪器通常将跟踪视为静态检测或匹配任务，即仅仅通过当前帧得到的某种判断依据来确定跟踪目标，比如分类器的分类分数等，忽略了目标在相邻帧之间的时空关系。而跟踪是一个定位在时空序列上的视觉任务，时间上下文和空间上下文信息都应该利用。举个例子，如果用一个分类器在当前帧中检测出了四个得分最高的候选，置信度分别为0.86,0.82,0.78和0.76，是无法保证置信度为0.86的候选就是最正确的跟踪目标的。因为这些置信度与所构建的观察模型有关。若模型的辨别力不足，它的估计可能还不够充分，需要对候选进一步确认。因此，如何通过目标在相邻帧以及连续多帧的时空关系来进一步选出最优目标，是值得探索的问题。针对这个问题，本发明提出了一种轨迹优化的目标跟踪技术方法。

此外，为了应用轨迹优化的目标跟踪后处理策略，首选需要构建一个基础分类模型。在构建分类器的过程中，如果只是简单地赋予训练样本二进制标签，会带来标签上的模糊性，模型也会因引入错误标记到的样本而大大降低判别力。另一方面，特征表示是一个鲁棒的跟踪算法中的重要组成部分之一，如何为目标构建鲁棒的目标表示模型也受到了研究者的广泛关注。针对这两个问题，本发明还构建了一个基于多特征融合的结构化输出分类器，以作为本发明的算法基础模型。其中，基础模型在训练和测试过程都是结构化输出的。

相关参考文献：

[1]Henriques J F,Caseiro R,Martins P,et al.High-speed tracking withkernelized correlation filters[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2015,37(3):583-596.

[2]Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].IEEEtransactions on pattern analysis and machine intelligence,2012,34(7):1409-1422.

[3]Zhang K,Zhang L,Yang M H,et al.Fast tracking via spatio-temporalcontext learning[J].arXiv preprint arXiv:1311.1939,2013.