[发明专利]一种目标跟踪方法以及设备

说明书

技术领域

本发明涉及通信技术领域，特别涉及一种目标跟踪的方法，同时本申请还特别涉及一种目标跟踪的设备。

背景技术

视频图像中目标跟踪算法是当前计算机视觉领域的一个研究热点，其中，目标跟踪是智能监控的一个重要组成部分，它对视频监控领域及国防安全方面起到了不可或缺的作用，例如，在军事侦察、交通违章追踪、银行系统安全以及民用生活安全保障等领域。

目前，目标跟踪算法主要分为两种，一种是传统的目标跟踪算法；另一种是将目标归为二分类问题，即分为正样本及负样本的实时目标跟踪算法，因其保证实时性，故被广泛应用在各个领域，例如，现有技术中提出了一种基于压缩感知的简单高效的实时目标跟踪算法，该方法首先是要在线获取正负样本，接着通过稀疏测量矩阵对图像特征进行压缩，压缩后的特征几乎保留原始图像所有的重要信息成分，主要是获取满足有限等距特性(restricted isometry property,RIP)条件的稀疏测量矩阵模板，用它对Harr图像特征(输入图像的矩形特征)进行稀疏压缩，最后使用朴素贝叶斯分类器进行分类判断，选出最有可能是目标的矩形框，作为当前目标跟踪结果。

测量矩阵：M*N维(M<<N)矩阵是用来对N维的原信号进行观测，得到M维的观测向量Y，然后可以利用最优化方法从观测值Y中高概率重构X。也就是说原信号X投影到这个观测矩阵(观测基)上得到新的信号用于表示Y。

RIP条件：也称有限等距特性，就是保证测量矩阵不会把两个不同的K稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系)，要求从测量矩阵中抽取的每M个列向量构成的矩阵是非奇异的。

本申请的发明人在实现本申请的过程中，发现现有技术中，至少存在以下问题：

现有技术中的方法是一个边学习边跟踪的过程，从而实现目标的实时跟踪。首先，在线学习获取正负样本的特征，偏向当前新样本，所以很容易就遗忘以前学习过的样本，一旦偏离，就会越偏越远；其次，考虑到目标的实时性，其样本量一般比较少，一般情况下正样本不超过50个，负样本在80个左右，所以跟踪的稳定性不强；再次，跟踪过程中的样本需要实时获取，并进行反复训练来提高分类器的准确度，计算量大；最后，当目标发生遮挡时，分类器更新时便会受到遮挡区域的影响，最终会因为误差累计而导致跟踪漂移。

可见，如何针对现有的目标跟踪方法进行改进，使其不受学习样本的干扰以及对目标的跟踪效果更加准确，成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了一种目标跟踪方法以及设备，通过从前一帧图像中获取的目标位置确定出了当前帧图像的目标框位置，然后通过预设的分类器对目标框位置进行两次精确的分类，最终得到了待检测图像的目标位置，由于分类器未受到图像样本的干扰并采用了两次的精确分类，从而提高最终确定出的目标位置更的准确率。

为了达到上述技术目的，本发明提出了一种目标跟踪方法，所述方法至少包括：

获取待检测图像前一帧图像中的目标位置，根据所述目标位置确定所述待检测图像当前帧图像中的目标框位置；

根据预设的分类器对所述目标框位置进行一次分类，用于对所述待检测图像当前帧图像中的目标位置进行初步分类,并对一次分类结果进行目标融合后得到一次目标框，根据所述一次目标框确定所述待检测图像当前帧图像的一次目标框位置；

根据所述分类器对所述一次目标框位置进行二次分类，用于对所述待检测图像当前帧图像中的目标位置进行精确分类,并对二次分类结果进行目标融合后得到二次目标框，根据所述二次目标框确定所述待检测图像当前帧图像的目标位置。

在一些实施方式中，本发明在获取待检测图像前一帧图像中的目标位置之前，还包括：

离线获取训练样本，所述训练样本由正样本和负样本组成；

从所述训练样本中提取出图像特征，所述图像特征包括HOG特征和SUR特征；

根据压缩降维方法对所述图像特征进行降维后得到降维图像特征；

将所述降维图像特征输入到SVM中进行训练后得到所述分类器。

在一些实施方式中，本发明根据压缩降维方法对所述图像特征进行降维后得到降维图像特征，具体包括：

根据稀疏测量矩阵对所述图像特征进行一次降维后得到稀疏图像特征；

根据主成分分析算法PCA对所述稀疏图像特征进行二次降维后得到降维图像特征。