[发明专利]一种基于结构化模型的长期视觉追踪方法及装置

说明书

本申请公开了一种基于结构化模型的长期视觉追踪方法及装置，用以解决视觉追踪的单一模型的表达能力有限，多模型会出现特征表达混乱，从而导致模型表达能力退化、追踪目标丢失的问题。该方法根据目标对象的不同特征，构建若干有代表性的目标表观模型；采用所述目标表观模型，分别对当前帧的若干候选目标图片进行相似性对比识别，从若干候选目标图片中确定出追踪结果以及与所述追踪结果相匹配的目标表观模型；根据对比识别结果以及预设规则，对匹配的目标表观模型进行更新，或者新建目标表观模型；采用稀疏子空间聚类算法，对目标表观模型的模板进行聚类，保证类内模板在同一特征子空间，以建立视觉追踪的结构化的多代表性目标表观模型。

技术领域

本申请涉及视觉追踪技术领域，尤其涉及一种基于结构化模型的长期视觉追踪方法及装置。

背景技术

视觉追踪是利用计算机视觉技术，对视频信号进行处理、分析和理解，实现对目标对象的持续跟踪的技术。视觉追踪器中的目标表观模型，用于表达目标对象的特征，从而根据目标对象的特征，实现对目标对象的追踪。

目前，在对目标对象进行追踪时，通常采用2D模型表达目标对象的特征，包括单一模型与多模型。

目标对象在视频中往往是动态变化的，但是，单一模型的表达能力是有限的。因此，采用单一模型进行视觉追踪时，对单一模型的表达能力的挑战性较高，由于远远超出了单一模型的表达能力，很可能会导致模型混乱，出现模型快速退化的问题，从而影响视觉追踪的准确性。

而在采用多模型进行视觉追踪时，各个模型之间的无序性可能会导致学习困难，而产生特征表达混乱的问题，这样大大降低了多模型应有的表达能力，使得多模型的性能表现甚至比单一模型更差。

发明内容

本申请实施例提供一种基于结构化模型的长期视觉追踪方法及装置，用以解决视觉追踪的单一模型的表达能力有限，多模型会出现特征表达混乱，从而导致模型表达能力退化、追踪目标丢失的问题。

本申请实施例提供的一种基于结构化模型的长期视觉追踪方法，包括：

根据目标对象的不同特征，构建若干代表性目标表观模型；

采用所述目标表观模型，分别对当前帧的若干候选目标图片进行相似性对比识别，从若干候选目标图片中确定出追踪结果以及与所述追踪结果相匹配的目标表观模型；

根据对比识别结果以及预设规则，对所述匹配的目标表观模型进行更新，或者新建目标表观模型；

采用稀疏子空间聚类算法，对目标表观模型的模板进行聚类，根据特征相似性确定具有同一目标表观特征的模板组，以建立视觉追踪的结构化的多代表性目标表观模型。

在一个示例中，根据目标对象的不同特征，构建若干代表性目标表观模型，包括：将预设的目标对象及其副本作为初始目标表观模型的模板组；根据所述初始目标表观模型的模板组，采用稀疏主要成分分析PCA算法，确定所述初始目标表观模型对应的PCA基及表示系数，以构建所述初始目标表观模型。

在一个示例中，采用所述目标表观模型，分别对当前帧的若干候选目标图片进行相似性对比识别，包括：针对若干候选目标图片，采用所述目标表观模型对应的PCA基，对该候选目标图片进行稀疏原型表示，确定该候选目标图片的表示系数；根据该候选目标图片的表示系数，确定该候选目标图片与目标表观模型的相似性。

在一个示例中，采用所述目标表观模型对应的PCA基，对该候选目标图片进行稀疏原型表示，确定该候选目标图片的表示系数，包括：根据确定侯选目标图片的表示系数及误差系数；其中，z表示侯选目标图片，T_p表示目标表观模型对应的PCA基，c表示表示系数，e表示误差系数，λ表示预设系数。