[發(fā)明專(zhuān)利]一種目標(biāo)跟蹤、跟蹤目標(biāo)識(shí)別特征的提取方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201710038543.6
• 申請(qǐng)日: 2017-01-19
• 公開(kāi)（公告）號(hào): CN106934339B
• 公開(kāi)（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 張雷;譙帥;張如高
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海博康智能信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00
• 代理公司: 北京三聚陽(yáng)光知識(shí)產(chǎn)權(quán)代理有限公司 11250
• 代理人: 馬永芬

本發(fā)明提供了一種目標(biāo)跟蹤、跟蹤目標(biāo)識(shí)別特征的提取方法和裝置，所述提取方法包括：獲取歷史跟蹤圖像中跟蹤目標(biāo)的目標(biāo)特征池；獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標(biāo)的背景特征；將所述目標(biāo)特征池作為正樣本、所述背景特征作為負(fù)樣本訓(xùn)練分類(lèi)器得到分類(lèi)特征向量；按照元素的系數(shù)從大到小依次從所述分類(lèi)特征向量中選取目標(biāo)特征生成所述識(shí)別特征。該方案充分考慮歷史跟蹤圖像對(duì)跟蹤目標(biāo)判別的影響，使得跟蹤目標(biāo)的識(shí)別特征具有歷史一致性，從而保持識(shí)別特征的穩(wěn)定性，同時(shí)采用最后一幀圖像中的背景特征作為區(qū)分，從而提高了判別跟蹤目標(biāo)的準(zhǔn)確性，綜合考慮當(dāng)前幀圖像和歷史圖像對(duì)跟蹤目標(biāo)的影響，提高了跟蹤結(jié)果的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種目標(biāo)跟蹤、跟蹤目標(biāo)識(shí)別特征的提取方法和裝置。

背景技術(shù)

目標(biāo)跟蹤是指對(duì)跟蹤圖像中指定目標(biāo)區(qū)域進(jìn)行實(shí)時(shí)自動(dòng)跟蹤，實(shí)時(shí)計(jì)算出目標(biāo)在圖像場(chǎng)景中的精確位置。目標(biāo)跟蹤是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域中備受關(guān)注的前沿方向，它從包含運(yùn)動(dòng)目標(biāo)的圖像序列中檢測(cè)、識(shí)別并跟蹤目標(biāo)，并對(duì)其行為進(jìn)行理解和描述。目標(biāo)分析的研究涉及到模型識(shí)別、圖像處理、計(jì)算機(jī)視覺(jué)、人工智能等學(xué)科的內(nèi)容。隨著現(xiàn)代信息技術(shù)的發(fā)展，目標(biāo)跟蹤在軍用、民用以及醫(yī)學(xué)等方面具有重要意義。比如，目標(biāo)跟蹤在視頻監(jiān)控、智能導(dǎo)航、互動(dòng)游戲、機(jī)器人技術(shù)以及增強(qiáng)現(xiàn)實(shí)等領(lǐng)域有著至關(guān)重要的應(yīng)用。通常在進(jìn)行目標(biāo)跟蹤時(shí)，目標(biāo)的識(shí)別特征都是采用固定維度的特征，而且這些固定維度的特征是根據(jù)上一幀圖像中確定的跟蹤目標(biāo)附近采集的正負(fù)樣本來(lái)確定的。

然而，由于跟蹤圖像中景物的多樣性和復(fù)雜性，目標(biāo)跟蹤技術(shù)在工程應(yīng)用中仍然有許多問(wèn)題有待解決。比如，在目標(biāo)跟蹤過(guò)程中，由于光線變化、目標(biāo)外觀變化、復(fù)雜背景影響等因素導(dǎo)致目標(biāo)外觀模型中的一些特征的判別能力和描述能力下降，而隨著每次跟蹤目標(biāo)的識(shí)別特征的更新，判別誤差也會(huì)逐漸增大，對(duì)當(dāng)前幀圖像中的跟蹤目標(biāo)的判別幾乎僅取決于上一幀圖像所確定的跟蹤目標(biāo)，與歷史圖像中的跟蹤目標(biāo)脫離了聯(lián)系，往往造成跟蹤目標(biāo)判別不準(zhǔn)確，出現(xiàn)跟蹤錯(cuò)誤等現(xiàn)象。

因此，如何提高目標(biāo)跟蹤過(guò)程中判定跟蹤目標(biāo)的準(zhǔn)確度，成為一個(gè)亟待解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

因此，本發(fā)明要解決的技術(shù)問(wèn)題在于現(xiàn)有技術(shù)中在目標(biāo)跟蹤過(guò)程中，判定跟蹤目標(biāo)的準(zhǔn)確度低，容易出現(xiàn)跟蹤錯(cuò)誤。

從而提供一種目標(biāo)跟蹤、跟蹤目標(biāo)識(shí)別特征的提取方法和裝置。

有鑒于此，本發(fā)明實(shí)施例的第一方面提供了一種跟蹤目標(biāo)識(shí)別識(shí)別特征的提取方法，包括：獲取歷史跟蹤圖像中跟蹤目標(biāo)的目標(biāo)特征池；獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標(biāo)的背景特征；將所述目標(biāo)特征池作為正樣本、所述背景特征作為負(fù)樣本訓(xùn)練分類(lèi)器得到分類(lèi)特征向量；按照元素的系數(shù)從大到小依次從所述分類(lèi)特征向量中選取目標(biāo)特征生成所述識(shí)別特征。

優(yōu)選地，所述獲取歷史跟蹤圖像中跟蹤目標(biāo)的目標(biāo)特征池包括：分別提取每一幀圖像中所述跟蹤目標(biāo)的壓縮特征；對(duì)所述壓縮特征進(jìn)行低秩一致性分析，得到所述壓縮特征的稀疏矩陣；根據(jù)所述稀疏矩陣選取預(yù)設(shè)個(gè)數(shù)的所述壓縮特征生成所述目標(biāo)特征池。

優(yōu)選地，所述分類(lèi)器包括識(shí)別特征SVM分類(lèi)器、決策樹(shù)分類(lèi)器、邏輯回歸分類(lèi)器、樸素貝葉斯分類(lèi)器、神經(jīng)網(wǎng)絡(luò)分類(lèi)器中的任一種。

優(yōu)選地，所述根據(jù)所述稀疏矩陣選取預(yù)設(shè)個(gè)數(shù)的所述壓縮特征生成所述目標(biāo)特征池包括：獲取所述稀疏矩陣的稀疏值；按照所述稀疏值從小到大依次選取所述預(yù)設(shè)個(gè)數(shù)的所述壓縮特征生成所述目標(biāo)特征池。

優(yōu)選地，所述獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標(biāo)的背景特征包括：選取距離所述跟蹤目標(biāo)預(yù)設(shè)范圍內(nèi)的背景圖像；提取所述背景圖像的壓縮特征作為所述背景特征。