[發(fā)明專利]一種計(jì)算機(jī)視覺跟蹤方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201810796572.3
• 申請(qǐng)日: 2018-07-19
• 公開（公告）號(hào): CN110738683A
• 公開（公告）日: 2020-01-31
• 發(fā)明（設(shè)計(jì)）人: 王冰;溫亮生;浮懷鐸;徐曜;羅建孝;毛敏
• 申請(qǐng)（專利權(quán)）人: 中移(杭州)信息技術(shù)有限公司;中國(guó)移動(dòng)通信集團(tuán)有限公司
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06K9/00;G06K9/62
• 代理公司: 11291 北京同達(dá)信恒知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 郭潤(rùn)湘

1.一種計(jì)算機(jī)視覺跟蹤方法，其特征在于，所述方法包括：

獲取跟蹤目標(biāo)的區(qū)域信息和特征信息，所述跟蹤目標(biāo)為在第一幀圖像中確定的目標(biāo)圖像；

根據(jù)所述區(qū)域信息，從第二幀圖像中選取至少一個(gè)樣本，所述第二幀圖像為所述第一幀圖像的下一幀圖像，所述第一幀圖像與所述第二幀圖像為同一目標(biāo)視頻中的幀圖像；

基于所述至少一個(gè)樣本與所述跟蹤目標(biāo)的特征信息、預(yù)設(shè)高斯分布?xì)埐詈皖A(yù)設(shè)拉普拉斯分布?xì)埐睿捎妙A(yù)設(shè)稀疏表示算法，獲取所述至少一個(gè)樣本中每個(gè)樣本與所述跟蹤目標(biāo)的特征信息的稀疏表示系數(shù)，所述稀疏表示系數(shù)表示所述樣本與所述跟蹤目標(biāo)的特征信息的匹配度，所述預(yù)設(shè)高斯分布?xì)埐畋硎舅鰳颖九c所述跟蹤目標(biāo)間的高斯分布?xì)埐睿鲱A(yù)設(shè)拉普拉斯分布?xì)埐畋硎舅鰳颖九c所述跟蹤目標(biāo)間的拉普拉斯分布?xì)埐睿?/p>

基于所述稀疏表示系數(shù)，將所述至少一個(gè)樣本中，最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本確定為所述第二幀圖像的跟蹤目標(biāo)。

2.如權(quán)利要求1所述的方法，其特征在于，基于所述至少一個(gè)樣本與所述跟蹤目標(biāo)的特征信息、預(yù)設(shè)高斯分布?xì)埐詈皖A(yù)設(shè)拉普拉斯分布?xì)埐睿捎妙A(yù)設(shè)稀疏表示算法，獲取所述至少一個(gè)樣本中每個(gè)樣本與所述跟蹤目標(biāo)的特征信息的稀疏表示系數(shù)，包括：

采用預(yù)設(shè)稀疏表示算法，建立所述至少一個(gè)樣本、字典矩陣、所述預(yù)設(shè)高斯分布?xì)埐睢⑺鲱A(yù)設(shè)拉普拉斯分布?xì)埐钆c稀疏表示系數(shù)的線性關(guān)系，所述字典矩陣包括所述跟蹤目標(biāo)的特征信息；

采用預(yù)設(shè)優(yōu)化算法，對(duì)所述線性關(guān)系進(jìn)行優(yōu)化處理，得到所述樣本與所述跟蹤目標(biāo)的特征信息的稀疏表示系數(shù)。

3.如權(quán)利要求2所述的方法，其特征在于，所述線性關(guān)系的表達(dá)式為：y＝Ax+s+e；

其中，y表示所述至少一個(gè)樣本，A表示所述字典矩陣，x表示稀疏表示系數(shù)，s表示所述預(yù)設(shè)拉普拉斯分布?xì)埐睿琫表示所述預(yù)設(shè)高斯分布?xì)埐睢?/p>

4.如權(quán)利要求1或2所述的方法，其特征在于，所述稀疏表示系數(shù)的表達(dá)式為：

其中，arg min f(x)表示使得目標(biāo)函數(shù)f(x)取得最小值的所述稀疏表示系數(shù)x的集合，表示取二范數(shù)的平方，|| ||₁表示取一范數(shù)，λ為預(yù)設(shè)的拉格朗日乘子，β為預(yù)設(shè)的高斯分布的標(biāo)準(zhǔn)差與預(yù)設(shè)的拉普拉斯分布的標(biāo)準(zhǔn)差的比值。

5.如權(quán)利要求1所述的方法，其特征在于，基于所述稀疏表示系數(shù)，將所述至少一個(gè)樣本中，最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本確定為所述第二幀圖像的跟蹤目標(biāo)，包括：

基于所述至少一個(gè)樣本中每個(gè)樣本對(duì)應(yīng)的預(yù)設(shè)高斯分布?xì)埐睿捎枚稊?shù)最小化算法，得到最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本；

確定所述最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本為所述第二幀圖像的跟蹤目標(biāo)。

6.如權(quán)利要求5所述的方法，其特征在于，所述二范數(shù)最小化算法的表達(dá)式為：

其中，arg min f(x)表示使得目標(biāo)函數(shù)f(x)取得最小值的所述稀疏表示系數(shù)x的集合，表示取二范數(shù)的平方。

7.如權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

基于所述最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本的區(qū)域信息與所述跟蹤目標(biāo)的區(qū)域信息，獲取所述最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本的區(qū)域中心點(diǎn)坐標(biāo)與所述跟蹤目標(biāo)的區(qū)域中心點(diǎn)坐標(biāo)；

采用歐式距離算法，對(duì)所述最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本的區(qū)域中心點(diǎn)坐標(biāo)與所述跟蹤目標(biāo)的區(qū)域中心點(diǎn)坐標(biāo)間的距離進(jìn)行運(yùn)算，獲取所述最小預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本與所述跟蹤目標(biāo)的中心點(diǎn)坐標(biāo)誤差。

8.如權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

基于所述最小的預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本的區(qū)域信息與所述跟蹤目標(biāo)的區(qū)域信息，采用預(yù)設(shè)重疊算法，獲取重疊率，所述重疊率為所述最小預(yù)設(shè)高斯分布?xì)埐顚?duì)應(yīng)的樣本的區(qū)域信息與所述跟蹤目標(biāo)的區(qū)域信息間區(qū)域重疊的概率。