[发明专利]目标跟踪方法、装置、设备及计算机可读存储介质

说明书

本发明实施例公开了一种目标跟踪方法、装置、设备及计算机可读存储介质。其中，方法包括确定实际应用场景的目标物体，计算其在PCA子空间的空间正交基向量集表示字典，获取当前帧图像中目标物体的多个候选粒子，基于预先构建的包含稀疏表示系数和稀疏表示误差向量的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量，然后基于稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率，并从中选择最大观测概率的候选粒子作为目标物体在当前帧图像的目标粒子，从而实现对目标物体的跟踪。本申请提供的技术方案提升了目标跟踪的准确度和精度，实现了实际应用场景中对目标持续稳定的跟踪。

技术领域

本公开实施例涉及计算机视觉技术领域，特别是涉及一种目标跟踪方法、装置、设备及计算机可读存储介质。

背景技术

随着计算机视觉技术的快速发展，目标跟踪技术也得到了相应的发展。目标跟踪为估计物体围绕一个场景运动时在图像平面中的轨迹的技术，也即目标跟踪的目的是为了定位目标在每帧视频图像中的位置，得到目标在每帧中的图像区域，产生目标运动轨迹。例如，一个跟踪系统给同一个视频中不同帧的跟踪目标分配相一致的标签，以表征该跟踪目标在视频中的运动轨迹。

基于稀疏模型的目标跟踪技术，通常在跟踪过程的初始时刻选定目标，并利用目标的相关信息(如颜色，灰度，外观以及姿态等)构建目标的信息字典。在实际应用中，信息字典一般为一维向量的组合矩阵，每一列代表对目标的一次采样。目前，多数基于稀疏模型的目标跟踪技术，往往只是利用简单的约束关系构建稀疏优化模型，如：

式中，D为目标字典，y为跟踪过程中对目标的一次采样，c为当前时刻目标利用字典D表示的系数；公式的第一项为L2范数约束，第二项为L0范数约束，由于L0范数的非连续性特性，在实际应用中多用L1范数替代L0范数，上述公式可优化为：

利用优化求解技术可以求解如上的最小化公式，便可得到利用字典D表示目标的系数c。

但是，该方法由于构建的模型较为简单，目标的系数表示系数的精度在多数跟踪应用场景中无法达到要求；而若为了达到高精度的求解，又需要复杂度很高的优化求解算法，复杂的求解方法需要耗费大量的计算时间，目标跟踪的处理效率较低，应用的实时性较差。也就是说，上述方法的目标的稀疏表示系数的精度较低，无法满足现实需求，如果要想获得目标较高精度的稀疏表示系数，则需要以时间作为代价。

发明内容

本公开实施例提供了一种目标跟踪方法、装置、设备及计算机可读存储介质，提升了目标跟踪的精度，实现了实际应用场景中对目标持续稳定的跟踪。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种目标跟踪方法，包括：

获取目标物体在实际应用场景中当前帧图像的多个候选粒子；

基于预先构建的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量；

基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率；

从中选择最大观测概率的候选粒子，以作为所述目标物体在所述当前帧图像的目标粒子；

其中，所述目标物体在PCA子空间中的空间正交基向量集作为字典；所述稀疏表示模型为基于稀疏表示系数和稀疏表示误差向量构建的模型。

可选的，在所述从中选择最大观测概率的候选粒子之后，还包括：

根据所述目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新所述目标物体的字典。