[发明专利]一种小样本训练的动态目标实时跟踪方法及装置

权利要求书

1.一种小样本训练的动态目标实时跟踪方法，其特征在于，所述方法包括：

基于预设的n个尺度因子生成目标图像对应的n个尺度图像，每个尺度图像对应一个尺度因子，n为3到15之间的任一奇数，目标图像包括点云数据和RGB色彩数据；

采用高斯核函数对n个尺度图像分别进行卷积计算，得到n个值，将该n个值中最大值对应的尺度图像的尺度因子作为跟踪模板的最佳尺度；

采用高斯核函数对第一尺度图像进行卷积计算，得到响应峰值图；第一尺度图像是n个值中最大值对应的尺度图像；

基于响应峰值图得到异常跟踪图像；

确定异常跟踪图像的预测值，并将异常跟踪图像的异常值更改为预测值。

2.根据权利要求1所述的方法，其特征在于，在基于预设的n个尺度因子生成目标图像对应的n个尺度图像之前，所述方法还包括：

获取动态视觉传感器的第一目标跟踪图像数据和RGB相机传感器的第二目标跟踪图像数据；

采用SIFT算子将第一目标跟踪图像数据和第二目标跟踪图像数据进行匹配和融合，得到目标图像。

3.根据权利要求1所述的方法，其特征在于，基于响应峰值图得到异常跟踪图像，包括：

采用数理统计参数对响应峰值图进行数理统计分析，确定异常跟踪图像，数理统计参数包括平均值、标准差。

4.根据权利要求3所述的方法，其特征在于，采用数理统计参数对响应峰值图进行数理统计分析，确定异常跟踪图像，包括：

将当前帧的响应峰值与当前帧前一段周期内峰值集合的数理统计参数进行比较；

若当前帧的响应峰值C_cur满足C_curμ-λσ时，确定对应的图像为异常跟踪图像，μ为当前帧前一段周期内峰值的平均值，σ为当前帧前一段周期内峰值的标准差；λ取3；

其中，平均值μ，标准差σ的计算公式为：

式中，{C_i|i＝1,2,...,n}为当前帧前一段周期内峰值集合，n为帧数。

5.根据权利要求1所述的方法，其特征在于，基于预设的n个尺度因子生成目标图像对应的n个尺度图像，包括：

基于预设的n个尺度因子采用双线性内插方式生成目标图像对应的n个尺度图像。

6.根据权利要求1所述的方法，其特征在于，确定异常跟踪图像的预测值，包括：

采用预先构建的目标卡尔曼运动方程确定异常跟踪图像的预测值。

7.一种小样本训练的动态目标实时跟踪装置，其特征在于，包括：

生成模块，用于基于预设的n个尺度因子生成目标图像对应的n个尺度图像，每个尺度图像对应一个尺度因子，n为3到15之间的任一奇数，目标图像包括点云数据和RGB色彩数据；

计算模块，用于：

采用高斯核函数对n个尺度图像分别进行卷积计算，得到n个值，将该n个值中最大值对应的尺度图像的尺度因子作为跟踪模板的最佳尺度；

采用高斯核函数对第一尺度图像进行卷积计算，得到响应峰值图；第一尺度图像是n个值中最大值对应的尺度图像；

基于响应峰值图得到异常跟踪图像；

纠正模块，用于确定异常跟踪图像的预测值，并将异常跟踪图像的异常值更改为预测值。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

获取模块，用于获取动态视觉传感器的第一目标跟踪图像数据和RGB相机传感器的第二目标跟踪图像数据；

匹配模块，用于采用SIFT算子将第一目标跟踪图像数据和第二目标跟踪图像数据进行匹配和融合，得到目标图像。

9.根据权利要求7所述的装置，其特征在于，计算模块，具体用于：

采用数理统计参数对响应峰值图进行数理统计分析，确定异常跟踪图像，数理统计参数包括平均值、标准差。