[發明專利]一種運動目標跟蹤方法

在審

• 申請號: 202111112712.9
• 申請日: 2021-09-18
• 公開（公告）號: CN113873152A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 張笑欽
• 申請（專利權）人: 溫州大學大數據與信息技術研究院
• 主分類號: H04N5/232
• 分類號: H04N5/232
• 代理公司: 北京陽光天下知識產權代理事務所(普通合伙) 11671
• 代理人: 李滿紅

1.一種運動目標跟蹤方法，其特征在于，包括以下步驟：

步驟Step1:獲取待測目標的視頻圖像信息，根據所述視頻圖像信息確定運動目標；

步驟Step2:通過運動目標識別模塊對確定的運動目標進行識別，根據用戶輸入的上行控制指令對不同的運動目標進行跟蹤；

步驟Step3:追蹤控制模塊接收所述用戶輸入的上行控制指令，并對所述上行控制指令進行解析，基于解析結果獲取運動目標基本信息和追蹤時長參數；

步驟Step4:根據獲取的信息和參數控制攝像頭對目標進行持續跟蹤，并調節鏡頭倍數，保持跟蹤目標在視場中心；

步驟Step5:將采集圖像輸入跟蹤模塊，所述跟蹤模塊通過運動目標跟蹤模型對目標進行跟蹤，并將運動目標的運動軌跡信息輸出至跟蹤管理平臺進行管理存儲。

2.如權利要求1所述的運動目標跟蹤方法，其特征在于，所述運動目標識別模塊采用基于YOLOv3的目標識別算法對運動目標進行檢測分類并標注，采用尺度金字塔結構將原始圖片縮放到416×416的大??；采用DarkNet-53特征提取網絡將原始圖像按照特征圖的尺度大小劃分為n*n個等大的單元格,對應的3個尺度的特征圖大小為13×13、26×26、52×52；然后將淺層次特征和深層次特征進行融合獲得更具有鑒別性的深層特征；最后在回歸預測部分每一個單元格通過3個錨點框預測3個邊框；在每一個單元格上為每一個邊框預測邊框左上角坐標、目標的寬、高4個值；利用K-means聚類算法對訓練集中目標邊框的尺寸進行聚類,獲取最佳錨點框的尺寸；采用邏輯回歸預測錨點框中包含物體的概率，若錨點框與真實目標邊框的重疊率大于任何其他錨點框,則這個錨點框的概率為1；如果錨點框與真實目標的邊框的重疊率大于0.5,但又不是最大的,則刪除這個預測框，采用二元交叉熵損失和邏輯回歸進行類別預測，得到目標識別結果。

3.如權利要求2所述的運動目標跟蹤方法，其特征在于，在對運動目標進行檢測分類并標注之前需要對圖像進行增強預處理，所述增強預處理包括：先將待檢測圖像的顏色空間由RGB轉為HSV；對轉換后的圖像進行分塊,然后將每個分塊在HSV顏色空間中的V分量進行直方圖均衡化操作；最后將V分量和原先的H、S分量拼接再轉到RGB顏色空間得到增強后的圖像。

4.如權利要求1所述的運動目標跟蹤方法，其特征在于，所述根據獲取的信息和參數控制攝像頭對目標進行持續跟蹤包括：在二維平面坐標系中確定視場中心在坐標系中的位置(x_o,y_o)和運動目標質心位置(x_i,y_i)；然后計算視場中心的位置(x_o,y_o)和運動目標質心位置(x_i,y_i)的坐標差值，并將所述坐標差值與設定的閾值進行比較，根據比較結果判斷判斷跟蹤目標是否離開設定的視場中心范圍，所述視場中心范圍由所述閾值確定；當離開設定的視場中心范圍時，則由運動目標圖像獲取模塊控制智能云臺轉動，進而驅動攝像頭的成像中心軸移向跟蹤目標，否則保持原狀態；最后比較所述閾值與對應的坐標差值大小，然后根據不同的比較結果確定攝像頭的移動方向和移動速度等級，不同的移動速度等級對應不同坐標差值范圍，并且在水平方向和垂直方向需要同時移動時，先向差值較大的方向移動。

5.如權利要求1所述的運動目標跟蹤方法，其特征在于，所述調節鏡頭倍數包括：獲取當前目標跟蹤框尺寸，計算當前目標跟蹤框尺寸與標準跟蹤框尺寸大小的差值，根據所述差值的絕對值與設定閾值的比較結果判斷是否進行鏡頭變倍，當標準跟蹤框的尺寸小于當前目標跟蹤框尺寸時進行縮放，并縮放至標準跟蹤框尺寸，否則擴大到標準跟蹤框尺寸。