[发明专利]目标跟踪方法及装置

权利要求书

1.一种目标跟踪方法，其特征在于，所述方法包括：

获取传感器采集的事件流，所述事件流包括按照时域增序排列的多个基于目标对象的运动状态变化的事件，所述事件为所述目标对象部分或全部的像素值发生变化；

对所述事件流进行簇生成，得到目标簇的第一时间序列，所述第一时间序列包括至少一个所述目标对象的事件中心坐标数据；

获取传感器采集的图像帧，将所述图像帧送入预设神经网络并经过所述预设神经网络计算出图像区域中反映目标出现可能性大小的置信度热力图；

对所述第一时间序列与所述置信度热力图同时进行粒子过滤处理，得到第二时间序列，所述第二时间序列包括至少一个所述目标对象的坐标数据。

2.根据权利要求1所述的目标跟踪方法，其特征在于，所述对所述事件流进行簇生成的步骤包括：

若候选事件的时、空相邻范围内已存在当前簇的任何部分，则将所述候选事件归属于所述当前簇，所述候选事件为所述事件流中时域上滞后于当前时刻的事件，所述当前簇为当前时刻已经存在的簇；和/或，

若候选事件的相邻范围内不存在当前簇的任何部分或系统中未存在任何当前簇，则创建包括所述候选事件的新簇。

3.根据权利要求2所述的目标跟踪方法，其特征在于，在所述对所述事件流进行簇生成的步骤包括之后，所述方法还包括：

若所述新簇中的事件的总数低于第二数值，则将所述新簇设置为不可见；

若所述新簇中的事件的总数高于第二数值，则将所述新簇设置为可见。

4.根据权利要求2所述的目标跟踪方法，其特征在于，在所述创建包括所述候选事件的新簇之后，所述方法还包括：

计算系统中所有的簇的总数；

若所述总数大于数量N，则不再增加新簇，所述数量N为大于或等于1的整数，所述数量N根据系统的处理能力动态调整。

5.根据权利要求4所述的目标跟踪方法，其特征在于，所述数量N为3。

6.根据权利要求1所述的目标跟踪方法，其特征在于，所述对所述事件流进行簇生成的步骤包括：

从所述事件流中确定待跟踪的候选事件中心；

当所述候选事件中心的运动状态在至少一个预设的时间间隔阈值内为预设状态时，确定所述候选事件中心不存在新事件；

舍弃所述候选事件中心。

7.根据权利要求1所述的目标跟踪方法，其特征在于，所述对所述事件流进行簇生成的步骤包括：

从所述事件流中确定归属于第一簇的事件的数量；

当所述归属于第一簇事件的数量小于或等于指定的数量时，所述第一簇不可见，否则，所述第一簇可见。

8.根据权利要求7所述的目标跟踪方法，其特征在于，所述指定的数量Q是事件流中事件间时空间隔的函数，即Q(Xn-Xm,Yn-Ym,tn-tm)，其中Xn、Xm、Yn、Ym分别是第n个和第m个事件的X、Y空间坐标，tn、tm分别是第n个和第m个事件的时间戳。

9.根据权利要求7所述的目标跟踪方法，其特征在于，所述指定的数量Q是事件流中事件间时空间隔的函数，即Q＝a*(Xn-Xm)+b(Yn-Ym)+c*(tn-tm)，其中Xn、Xm、Yn、Ym分别是第n个和第m个事件的X、Y空间坐标，tn、tm分别是第n个和第m个事件的时间戳，a、b、c分别是常数系数。

10.根据权利要求1所述的目标跟踪方法，其特征在于，所述对所述第一时间序列进行粒子过滤处理的步骤包括：

计算新簇中各个粒子的权重系数：

其中，d(i,j)为第i簇的中心与j粒子之间的空间距离；

根据所述权重系数计算出单个或多个目标的坐标数据。

11.根据权利要求1所述的目标跟踪方法，其特征在于，所述神经网络为全连接神经网络或卷积神经网络。

12.一种目标跟踪装置，其特征在于，包括事件流获取模块、簇生成模块、热力图生成模块和过滤模块；

所述事件流获取模块，用于获取传感器采集的事件流，所述事件流包括按照时域增序排列的多个基于目标对象的运动状态变化的事件，所述事件为所述目标对象部分或全部的像素值发生变化；

所述簇生成模块，用于对所述事件流进行簇生成，得到目标簇的第一时间序列，所述第一时间序列包括至少一个所述目标对象的事件中心坐标数据；

所述热力图生成模块，用于获取传感器采集的图像帧，将所述图像帧送入预设神经网络并经过所述预设神经网络计算出图像区域中反映目标出现可能性大小的置信度热力图；

所述过滤模块，用于对所述第一时间序列与所述置信度热力图同时进行粒子过滤处理，得到第二时间序列，所述第二时间序列包括至少一个所述目标对象的坐标数据。