[发明专利]视频跟踪中的自动错误修复方法

说明书

本申请公开了一种视频跟踪中的自动错误修复方法，首先分析视频帧中相关值的峰值和邻域值来检测跟踪是否失败，如检测到跟踪失败则在目标区域处扩大搜索范围并计算相关值，最后当检测到相关性的相关值大于预先设定的相关性阈值后即重新寻找到追踪目标。本申请是使用搜索窗口内的特征计算出的相关值进行跟踪，通过分析相关值的峰值和邻域值来检测跟踪目标的结果，当确定跟踪失败则通过在目标对象失踪的目标区域周围生成多个搜索框来扩大搜索范围，从而实现扩大化的搜索跟踪目标对象，可以在遮挡或模糊发生时有效地再次跟踪目标，提高视频跟踪的准确性和工作可靠性。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种视频跟踪中的自动错误修复方法。

背景技术

目标跟踪是计算机视觉的重要组成部分，是一种跟踪目标位置的技术。为了实现目标跟踪提出了很多算法，例如基于朴素贝叶斯算法和卡尔曼滤波器的方法。而核化相关滤波器(KCF)是一种最新的跟踪方法，不仅速度快，而且精度高。为了能够提高核化相关滤波器的工作可靠性，衍生出了各种提高其置信度的方法，比如说，Feng等人引入均值漂移算法来提高KCF跟踪的置信度，而Wang等人则是利用卡尔曼滤波使KCF跟踪器对快速运动的跟踪更加精确，除此之外，基于深度学习的视觉示踪基于卷积神经网络(CNN)的视觉跟踪器，在视觉跟踪方面表现出了优异的性能，通过训练可以减少遮挡和模糊对跟踪的影响。

但是在跟踪领域中仍有许多问题需要解决，特别是遮挡和模糊是跟踪领域中存在已久的问题。当遮挡或模糊发生时，KCF跟踪器很难再次跟踪目标对象。由于跟踪器对目标物体的颜色和形状随时间的变化进行在线训练，一旦跟踪器偏离目标物体，就会得到错误的数据训练。基于深度的学习的方法需要经过训练，训练数据影响实际效果，且大多效率较低。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种视频跟踪中的自动错误修复方法，首先分析视频帧中相关值的峰值和邻域值来检测跟踪是否失败，如检测到跟踪失败则在目标区域处扩大搜索范围并计算相关值，最后当检测到相关性的相关值大于预先设定的相关性阈值后即重新寻找到追踪目标。

可选地，分析视频帧中相关值的峰值和邻域值来检测跟踪是否失败得过程是基于KCF的跟踪器用来预测并生成下一帧的目标位置，所述跟踪器采用垂直和水平移位的稠密数据。

可选地，所述跟踪器配置有搜索窗口，利用搜索窗口内数据生成的循环矩阵计算视频中每一帧相关性，根据计算出的相关性峰值与相关性邻域值间的数值关系来确定目标对象并实现跟踪。

可选地，当所述相关性峰值与所述相关性邻域值间数值相类似，则表明检测跟踪失败，此时停止目标模型的更新并在前一帧的目标区域处扩大搜索范围并计算相关值。

可选地，在目标区域处扩大搜索范围并计算相关值时，是从目标模型周围的区域计算相关性，以目标区域的坐标为中心同时生成至少九个拥有相同宽度和高度的搜索框来扩大后续的搜索范围，并且分别计算每个搜索窗口的相关值，直至获得高于预先指定的所述相关性阈值的相关值，认为是重新找到追踪目标，回到正常的搜索范围。

可选地，当出现目标跟踪失败时，对视频中出现失败后的每一帧的相关值进行搜索范围扩大下的相关值计算，当在某一帧中重新找到追踪目标时，则跳转到该视频帧处开启正常的搜索。

特别地，本发明还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。

本发明还提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。

本发明还提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行如上所述的方法。