[发明专利]应用离线跟踪算法对在线跟踪算法进行改进

说明书

本发明公开了一种基于离线型的在线跟踪方法、装置及计算机可读存储介质，该方法包括：实时采集在线视频，获取在线视频中包含待跟踪目标的每一帧图像，并对获取到的每一帧图像进行预处理，以生成待跟踪目标的初始结果，通过预先训练好的离线跟踪模型对所述初始结果进行修正处理，以产生最终结果。本案通过结合离线型跟踪方法和在线型跟踪方法，一方面通过离线型跟踪方法实现向前回溯修改之前结果，从而提升了处理实时的在线视频流的精度；另一方面通过在线型跟踪方法处理实时的在线视频流。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于离线型的在线跟踪方法、装置及计算机可读存储介质。

背景技术

目标跟踪，也是一种视觉目标跟踪，是目前机器视觉领域的一个重要的研究方向。一般地，目标跟踪对图像序列中的感兴趣目标进行检测，以进行提取、识别和跟踪，从而获取待跟踪目标的运动状态参数(例如位置，速度，加速度以及运动轨迹等)，从而可以进一步处理与分析，以便实现对运动目标的行为理解，为其他技术领域(例如视觉导航，位姿估计与运动分析等)提供参考数据，目标跟踪在智能监控、人机交互、机器人导航等领域有着广泛的应用。在这些应用中，目标跟踪是机器人感知外界环境并作出反应的基础，是理解图像的关键。

当前目标跟踪技术主要分为离线型和在线型两大类。其中离线型又称之为批处理型，离线型方法的中心思想就是把每一帧中物体的检测结果连接成小的跟踪片段，然后再用更加可靠的特征来进行片段的合并，比较有代表性的离线型方法主要有最小代价网络流算法，能量最小化方法，以及最小完全图算法等等离线算法；正是由于离线型方法使用了更多的前后帧中的信息，可以回溯去修改之前的结果，从而最终获得了更好地精度，但也受限于此，离线型方法只能对离线视频进行处理，不能处理实时的视频流。而在线型方法着手于当前帧和下一帧中目标的匹配，即在当前帧出现时就需要立马给出结果，既可以处理实时视频流也可以处理离线视频，线型方法能够做到比较好的实时性，从而在实际应用中有着一席之地；目前比较传统的在线型方法大多应用了卡尔曼滤波，粒子滤波，或者马尔科夫决策过程；但是在线型方法的精度往往比离线型方法要低。

发明内容

本发明提供一种基于离线型的在线跟踪方法、装置及计算机可读存储介质，其主要目的在于提升处理实时的在线视频流的精度。

为实现上述目的，本发明提供一种基于离线型的在线跟踪方法，该方法包括：

步骤A：实时采集在线视频；

步骤B：从在线视频中获取含有待跟踪目标的每一帧图像；

步骤C：对获取到的每一帧图像进行预处理，以生成待跟踪目标的初始结果；

步骤D：通过预先训练好的离线跟踪模型对所述初始结果进行修正处理；及

步骤E：产生待跟踪目标的最终结果。

可选地，所述步骤C包括：

步骤C1：预设置视频采集设备参数；

步骤C2：采集当前场景的环境参数；其中，所述环境参数可以包括，但不限于包括：光照、色调、噪声等；

步骤C3：基于所述视频采集设备参数和所述当前场景环境参数，对于所述每一帧图像进行去噪和归一化处理；

步骤C4：生成待跟踪目标的初始结果。

可选地，所述步骤C还包括：

步骤C5：对所述经过去噪和归一化处理的每一帧图像设置跟踪区域，其中，所述跟踪区域是多边形，所述跟踪区域是包括有待跟踪目标的检测区域。

可选地，所述环境参数包括光照、色调或噪声。

可选地，所述步骤D包括：

步骤D1：将所述初始结果输入预先训练好的离线跟踪模型中。