[发明专利]样本可选择更新机制的目标跟踪方法、重新记忆有效样本的方法和距离估计方法

说明书

样本可选择更新机制的目标跟踪方法、重新记忆有效样本的方法和距离估计方法，属于运动目标跟踪处理技术领域，为了解决错误的跟踪结果对跟踪算法产生影响的问题，要点是第三步，利用图像特征遗忘方法对跟踪结果进行分析，提取目标区域的图像特征与参考图像进行比对，将差距过大的跟踪结果进行遗忘；第四步，利用能量显著记忆方法对第三步的遗忘的跟踪结果进行校验，提取遗忘结果目标区域的梯度能量做显著性分析，将包含目标的跟踪结果重新记忆进样本库，而其他不包含跟踪目标的结果维持遗忘操作，返回第二步或结束跟踪，效果是适用于所有的判别模型类目标跟踪方法，可以避免训练集被遮挡物的特征信息污染，提高目标跟踪方法对目标遮挡的适应性。

技术领域

本发明属于运动目标跟踪处理技术领域，具体的说是一种样本可选择更新机制的目标跟踪方法。

背景技术

目标跟踪技术是计算机视觉的重要部分，其技术被广泛应用于自主汽车、移动机器人以及智能安防系统等领域。精准的目标跟踪有利于精确了解目标的所在位置，这不仅可以为自主汽车与辅助驾驶系统提供更可靠的行人坐标以保护驾驶员以及行人的安全，而且也是高科技武器及GPS系统所需求的至关重要的信息。在实际应用中，目标遮挡、目标形变和光暗变化等复杂环境往往会对目标跟踪算法的性能造成很大的影响，而在一般情况下现有的目标跟踪技术已经可以达到较高的精度和实时性。因此，如何提升目标跟踪在复杂环境下的性能是现在的热点研究问题之一。

专利申请号为CN201811018794，名称为“改进的用于目标跟踪的卡尔曼滤波方法”将目标位置、目标移动速度和加速度都作为分析对象，相较与传统的卡尔曼滤波方法减小了误差，同时它还考虑了目标发生机动的情况，减小目标机动时的跟踪误差。但是该方法对目标遮挡和目标形变等复杂环境的适用性较弱。专利申请号为CN201810958266，名称为“一种任意直线约束下目标跟踪方法”把车辆、船舰和空中飞行物作为主要跟踪目标，因为这些目标在移动过程中有很大可能在相当长一段时间内会保持直线运动。然后该方法认为目标运动轨迹不完全由目标本身的运动速度决定，而是受其所处物理环境或是其自身运动特点的影响，所以构建了一种任意直线约束建模和状态估计方法用来实现目标跟踪。但是该方法具有很大的局限性，它只能用于目标的线性运动跟踪。

考虑到复杂环境对目标跟踪造成的影响主要是会出现错误的跟踪结果，但是只有当错误数量累积到一定程度后跟踪算法才会失效。因此本发明在已有的相关滤波目标跟踪方法的基础上进行改进，提出一种样本可选择更新机制的目标跟踪算法，通过图像特征遗忘方法和能量显著记忆方法对跟踪结果进行选择性遗忘和记忆，避免错误的跟踪结果对跟踪算法产生影响。

发明内容

为了解决错误的跟踪结果对跟踪算法产生影响的问题，本发明提出如下技术方案：一种样本可选择更新机制的目标跟踪方法，包括：

第一步，获取视频起始帧并初始化跟踪器；

第二步，对下一帧用滤波跟踪方法对目标进行跟踪，并返回跟踪结果；

第三步，利用图像特征遗忘方法对跟踪结果进行分析，提取目标区域的图像特征与参考图像进行比对，将差距过大的跟踪结果进行遗忘；

第四步，利用能量显著记忆方法对第三步的遗忘的跟踪结果进行校验，提取遗忘结果目标区域的梯度能量做显著性分析，将包含目标的跟踪结果重新记忆进样本库，而其他不包含跟踪目标的结果维持遗忘操作，返回第二步或结束跟踪。

在另一种方案中，本发明还提出一种重新记忆遗忘结果中有效样本的方法，提取遗忘结果目标区域的梯度能量做显著性分析，将包含目标的跟踪结果重新记忆进样本库。

进一步的，从最新的目标跟踪结果第k+1帧图像中提取目标区域的HOG能量，然后提取训练集中的所有图像的HOG能量并计算其均值作为对比，计算第k+1帧图像的HOG能量变化值作为第k+1帧图像的能量显著值；