[发明专利]一种基于目标识别及像素标记的目标跟踪方法

说明书

本发明公开了一种基于目标识别及像素标记的目标跟踪方法，包括以下步骤：采集目标识别中的正样本和负样本，所述正样本为需要跟踪的目标物体的图片，所述负样本为与跟踪目标相关的场景图片；对正样本和负样本进行图像预处理；利用预处理后的正样本和负样本进行目标识别模型的训练和测试，得到训练完毕的目标识别模型；利用训练完毕的目标识别模型对目标进行检测与识别，得出目标的位置信息；根据目标的位置信息使用光流法对目标进行跟踪并记录目标运动轨迹。本发明通过正负样本训练得到目标识别模型进而确定目标的位置信息，通过标记目标位置所在像素结合光流法对目标进行识别与跟踪提高了跟踪的实时性和鲁棒性，同时提高了跟踪的准确度。

技术领域

本发明涉及计算机视觉技术领域，更具体地，涉及一种基于目标识别及像素标记的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的重要研究课题，在安全领域、军事领域、交通领域、视频监控，生物实验，机器人等领域都具有广泛的应用。

传统目标跟踪方法包括帧差法、背景减法、光流法等。传统目标跟踪方法的优点是计算迅速、需要计算资源小、实时性强、效率高。但存在如下缺点：

1、对实验环境要求苛刻，易被干扰，某些情况下无法准确确定需要跟踪的目标的位置，特别是在摄像头非静止情况下，或者摄像头与目标同时在运动的情况，很容易出现跟踪错误目标的情况。

2、跟踪标记点易偏离实际目标，且随着时间推移，偏离程度越发严重，甚至会出现完全丢失实际目标而不自知的极端情况。

基于对象识别的目标跟踪方法一般使用AI技术的方法，即机器学习或深度学习等方法对目标进行识别并跟踪。机器学习的方法基于大数据与统计学习的方法进行数学拟合，从而实现对目标的识别和跟踪。而深度学习的方法基于大数据和神经网络的方法拟合数学模型，从而实现对目标的识别和跟踪。优点是识别准确率高。但存在如下缺点：

1、计算慢，占用资源多，对运行的硬件环境要求高，不实时。

2、识别模式对准确率及鲁棒性要求高，当出现误判以及识别不到目标的情况会出现跟踪轨迹误差过大和不连续的断层现象。

当前亟需研究者一种鲁棒性强，实时性好的目标跟踪方法。

发明内容

本发明为克服上述现有技术所述的目标跟踪方法鲁棒性和实时性不强，准确度不高的缺陷，提供一种基于目标识别及像素标记的目标跟踪方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于目标识别及像素标记的目标跟踪方法，包括以下步骤：

S1：采集目标识别中的正样本和负样本，所述正样本为需要跟踪的目标物体的图片，所述负样本为与跟踪目标相关的场景图片；

S2：对正样本和负样本进行图像预处理；

S3：利用预处理后的正样本和负样本进行目标识别模型的训练和测试，得到训练完毕的目标识别模型；

S4：利用训练完毕的目标识别模型对目标进行检测与识别，得出目标的位置信息；

S5：根据目标的位置信息使用光流法对目标进行跟踪并记录目标运动轨迹。

进一步地，正样本的图像预处理过程包括：对正样本进行图像增广，对增广后的正样本图像按预设的尺寸进行缩放处理，对缩放处理后的正样本图像进行灰度化处理；

负样本的预处理包括：对负样本图像进行灰度化处理。

进一步地，所述图像增广处理包括有：图像的镜像、旋转、缩放、裁剪、平移、亮度、饱和度和对比度变化、加入高斯噪声。

进一步地，所述目标的位置信息为目标中心点位置信息。