[发明专利]用于视频中目标跟踪的方法及存储设备和控制设备

说明书

本发明涉及图像处理技术领域，具体涉及一种用于视频中目标跟踪的方法及存储设备和控制设备，旨在解决现有技术中实时性差的问题。本发明的方法包括：对图像序列进行预处理得到待处理子图像序列；对待处理子图像序列中的第一帧及第二帧图像进行运动检测及聚类，进而选择目标区域；对第3帧及其之后的各帧，将当前帧与相邻的上一帧进行运动检测、聚类即筛选，得到子目标候选区域；从目标区域和每个子目标候选区域中分别提取图像特征并进行匹配；将匹配度高于第一阈值的子目标候选区域作为当前帧的跟踪结果；将匹配度高于第二阈值的子目标候选区域更新为后续帧跟踪的目标区域。本发明具备特征提取时间短且有效，匹配效果强，跟踪实时性高的优势。

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于视频中目标跟踪的方法及存储设备和控制设备。

背景技术

随着计算技术及图像处理技术的飞速发展，视频中的目标跟踪技术在智能视频监控、机器人视觉导航、虚拟现实以及医学诊断等领域得到了广泛应用。简单来说，目标跟踪即在第一帧时给出目标的初始位置，然后利用跟踪算法计算出目标在后续每帧图像中的位置信息。同时，在实际的视频目标跟踪应用中，对实时性的要求较高。

从目标模型的角度看，目标跟踪算法主要分为生成式方法和判别式方法两大类：

(1)生成式目标跟踪算法的关键在于良好的目标特征表示方法，其主要代表模型有：根据外观变化的自适应跟踪模型的增量视觉跟踪模型(IVT)、基于目标分解的目标跟踪算法(VTD)，以及基于采样的思想的目标跟踪方法(VTS)，该类算法可以在一定程度上解决运动模糊的问题，但是对环境变化的鲁棒性较弱，自适应性差，计算量大，难以满足实时性要求。

(2)判别式目标跟踪算法将跟踪问题归结于二分类问题，主要研究如何分离目标与背景。随着特征表示分类器设计研究的深入，各类机器学习和深度学习算法被应用到特征提取和分类器训练中去，从而使得很多效果更为鲁棒的目标跟踪模型被提出，一系列基于孪生网络的目标跟踪算法在效果上获得了较大的提升，如SiamFC、SiamMask等。然而，通过训练分类器的方式区分目标与背景。这种方法需要采集不同场景的数据集，对场景鲁棒性较差，很容易出现过拟合的问题。即当视频中目标出现快速运动、尺度变化、目标遮挡及目标丢失问题时，对数据集的多样性要求很高，容易导致目标跟踪失败，具有跟踪丢失率较高的问题。

虽然上述列举的算法均具备某一方面的优异性能，但是在实际情况中，每一种算法都只是在某一特定情况下效果较好，因此探索一种新的算法是非常有必要的。2009年，Zhou等人尝试利用sift提取特征匹配的方法对目标实现匹配跟踪，但是当出现复杂背景时，匹配效果不理想，会出现一对多匹配现象。该方法相对于提取深度特征的方法具备实时性高的巨大优势，但是所选特征单一、辨别性差，因此限制了该方法的实际应用。

发明内容

为了解决现有技术中存在的特征单一、实时性差、对数据集依赖过高的问题，本发明提出了一种用于视频中目标跟踪的方法及存储设备和控制设备，具备特征提取时间短且有效，匹配效果强，跟踪实时性高的优势。

本发明的第一方面，提出一种用于视频中目标跟踪的方法，所述方法包括：

步骤S1，对图像序列进行预处理，得到待处理子图像序列；

步骤S2，n＝1，对所述待处理子图像序列中的第n帧及第n+1帧图像进行运动检测及聚类，进而选择目标区域；

步骤S3，n＝n+1，对所述待处理子图像序列中的第n帧及第n+1帧图像进行运动检测及聚类，得到目标候选区域；

步骤S4，利用运动一致性算法对所述目标候选区域进行筛选，得到子目标候选区域；

步骤S5，利用特征提取算法从所述目标区域和每个所述子目标候选区域中分别提取图像特征；