[发明专利]基于高阶累积量的目标跟踪方法、装置及存储介质

说明书

本发明公开了一种基于高阶累积量的目标跟踪方法，该方法包括：利用第一高阶累积量判断第k视频帧中的目标是否被遮挡；利用运动模型及第k视频帧中的目标状态信息预测并抽取得到多个预测粒子；分别计算每个预测粒子在第k+1视频帧中对应的预测图像块在子空间的重构误差及对应的每个预测粒子的重要性权值；利用第二高阶累积量判断第k视频帧中被遮挡的目标在第k+1视频帧中是否仍被遮挡；若是则将轨迹预测值否则将似然图像块作为第k+1视频帧中的目标图像；利用第k+1视频帧中的目标图像获取第k+1视频帧中的目标状态信息。本发明还公开了一种基于高阶累积量的目标跟踪装置。通过上述方式，本发明能够及时检测到目标被遮挡并进行处理。

技术领域

本发明涉及目标跟踪领域，特别是涉及一种基于高阶累积量的目标跟踪方法、装置及存储介质。

背景技术

在线目标跟踪是计算机视觉中的一个热点研究课题，其对于动作识别、行为分析、场景理解等高层次的视觉研究具有重要意义，并且在视频监控、智能机器人、人机交互等领域有着广泛的应用前景。

在目标跟踪的许多挑战中，遮挡是最棘手的问题之一。遮挡使跟踪目标的部分或者整体不可见，造成目标信息丢失，并且遮挡持续的时间长短不可预知。跟踪目标被遮挡可能是由视频中其它运动物、背景中静止的物体或者目标本身引起的。在遮挡情形下，可能会出现跟踪漂移。现有技术中的很多算法可以对遮挡进行处理以提高目标跟踪的准确度，但是遮挡检测的效率比较低，往往是在目标已经被遮挡了很多帧才能判断出目标被遮挡，不利于遮挡处理。

发明内容

本发明主要解决的技术问题是提供一种基于高阶累积量的目标跟踪方法、装置、系统及存储介质，能够解决现有技术中低效率遮挡检测不利于遮挡处理的问题。

为了解决上述技术问题，本发明提供了一种基于高阶累积量的目标跟踪方法，该方法包括：利用第一高阶累积量判断第k视频帧中的目标是否被遮挡，第一高阶累积量对应于第k视频帧中的目标图像在子空间的第一重构误差；利用运动模型及第k视频帧中的目标状态信息预测并抽取得到多个预测粒子，第k视频帧中被遮挡与未被遮挡的目标的运动模型不同；分别计算每个预测粒子在第k+1视频帧中对应的预测图像块在子空间的重构误差；分别利用重构误差计算对应的每个预测粒子的重要性权值；利用第二高阶累积量判断第k视频帧中被遮挡的目标在第k+1视频帧中是否仍被遮挡，第二高阶累积量对应于似然图像块在子空间的第二重构误差，似然图像块是重要性权值最大的预测粒子对应的预测图像块；若第k视频帧和第k+1视频帧中目标均被遮挡，则将轨迹预测值作为第k+1视频帧中的目标图像，否则将似然图像块作为第k+1视频帧中的目标图像；利用第k+1视频帧中的目标图像获取第k+1视频帧中的目标状态信息。

为了解决上述技术问题，本发明提供了一种基于高阶累积量的目标跟踪装置，该装置包括至少一个处理器，单独或协同工作，处理器用于执行指令以实现前述的方法。

为了解决上述技术问题，本发明提供了一种可读存储介质，存储有指令，指令被执行时实现前述的方法。

本发明的有益效果是：通过利用第一高阶累积量判断第k视频帧中的目标是否被遮挡，对于遮挡和未被遮挡的目标使用不同的运动模型及第k视频帧中的目标状态信息预测并抽取得到多个预测粒子；分别计算每个预测粒子在第k+1视频帧中对应的预测图像块在子空间的重构误差；分别利用重构误差计算对应的每个预测粒子的重要性权值；利用第二高阶累积量判断第k视频帧中被遮挡的目标在第k+1视频帧中是否仍被遮挡，第二高阶累积量对应于似然图像块在子空间的第二重构误差，似然图像块是重要性权值最大的预测粒子对应的预测图像块；若第k视频帧和第k+1视频帧中目标均被遮挡，则将轨迹预测值作为第k+1视频帧中的目标图像，否则将似然图像块作为第k+1视频帧中的目标图像；利用第k+1视频帧中的目标图像获取第k+1视频帧中的目标状态信息。在目标未被遮挡的情况下，其重构误差是一个小方差的高斯白噪声，在目标被遮挡的情况下，其重构误差是噪声与随机信号之和。利用高阶累积量对于高斯噪声良好的抑制作用，可以快速检测到被遮挡时重构误差中的随机信号，从而能够及时并正确地判断遮挡的存在并进行遮挡处理，提高了跟踪的准确度。