[發明專利]一種目標跟蹤模型構建方法及裝置

有效

• 申請號: 201810219008.5
• 申請日: 2018-03-16
• 公開（公告）號: CN108537250B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 張雷;聶方;張如高
• 申請（專利權）人: 新智認知數據服務有限公司
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06K9/62;G06V10/764
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 陳博旸

本發明提供一種目標跟蹤模型構建方法及裝置，通過獲取跟蹤目標的歷史樣本；對所述跟蹤目標的歷史樣本進行帶時間約束的聚類；計算每類樣本的平均代表圖；對所有類別樣本的所述平均代表圖進行循環學習以獲得樣本權重，并根據所述權重確定時空上下文模型。根據不斷更新的歷史樣本，對計算獲得的代表樣本進行循環的自步學習，實現了通過不斷回顧歷史樣本和循環自步學習獲得的目標跟蹤模型對于當前幀目標與背景的區分度最大，利用模型對當前目標的預測誤差來確定樣本權重，提高了目標跟蹤的穩定性，有效防止目標跟蹤的漂移。

技術領域

本發明涉及目標跟蹤技術領域，具體涉及一種目標跟蹤模型構建方法及裝置。

背景技術

目標跟蹤是計算機視覺中的熱門領域，其廣泛應用于智能監控、自動駕駛、人機交互等方面。目標跟蹤過程中由于目標外觀與姿態的變化、背景的變化、光照的變化等，使得目標在跟蹤過程很容易產生漂移。建立準確的目標外觀模型及其更新方法對于目標跟蹤的性能至關重要。

現有的目標跟蹤算法中，目標跟蹤模型一般根據每幀跟蹤結果采集正負樣本進行線性更新的方法。隨著跟蹤的進行，如果發生跟蹤錯誤或者目標外觀不穩定，這樣的更新往往會導致模型產生誤差并最終導致跟蹤漂移。應對這樣的問題，大部分的解決方法是，根據目標對模型的適應程度來調節學習率，由于每次跟蹤結果都是由模型得到的，因此其必然與模型的適應程度有較大關聯，如果發生誤差將導致錯誤積累并最終漂移；也有做法是，判斷是否發生遮擋，遮擋則不更新，這樣的策略在判斷失效的情況下容易錯過更新。

發明內容

本發明要解決的技術問題在于克服現有的目標跟蹤過程中目標跟蹤模型更新誤差較大易導致跟蹤漂移的缺陷。

本發明提供一種目標跟蹤模型構建方法，包括：

獲取跟蹤目標的歷史樣本；

對所述跟蹤目標的歷史樣本進行帶時間約束的聚類；

計算每類樣本的平均代表圖；

對所有類別樣本的所述平均代表圖進行循環學習以獲得樣本權重，并根據所述權重確定時空上下文模型。

優選地，在所述對所有類別樣本的所述平均代表圖進行循環學習以獲得樣本權重，并根據所述權重確定時空上下文模型的步驟之后，還包括：

根據當前確定的時空上下文模型對目標進行跟蹤；

將跟蹤的目標作為歷史樣本。

優選地，所述對所述跟蹤目標的歷史樣本進行帶時間約束的聚類，包括：

提取預設時間段內所述跟蹤目標的歷史樣本的特征；

計算相鄰的兩個歷史樣本的所述特征之間的距離；

判斷所述特征之間的距離是否小于兩個類別內部平均距離之和的1/2；

當所述特征之間的距離小于兩個類別內部平均距離之和的1/2時，將所述相鄰的兩個歷史樣本合并為同一個類別。

優選地，所述計算每類樣本的平均代表圖，包括：

計算每類樣本的原始灰度圖；

對所述每類樣本的原始灰度圖進行平均計算得到每類樣本的平均代表圖。

優選地，所述對所有類別樣本的所述平均代表圖進行循環學習以獲得樣本權重，并根據所述權重確定時空上下文模型，包括：

獲取每類樣本的平均代表圖的空間上下文模型；

根據所述空間上下文模型計算每幀的目標響應值；

根據所述目標響應值計算所述每類樣本的樣本權重，并根據所述權重確定時空上下文模型。

本發明還提供一種目標跟蹤模型構建裝置，包括：