本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種目標跟蹤、跟蹤目標識別特征的提取方法和裝置。

背景技術(shù)：

目標跟蹤是指對跟蹤圖像中指定目標區(qū)域進行實時自動跟蹤，實時計算出目標在圖像場景中的精確位置。目標跟蹤是近年來計算機視覺領(lǐng)域中備受關(guān)注的前沿方向，它從包含運動目標的圖像序列中檢測、識別并跟蹤目標，并對其行為進行理解和描述。目標分析的研究涉及到模型識別、圖像處理、計算機視覺、人工智能等學(xué)科的內(nèi)容。隨著現(xiàn)代信息技術(shù)的發(fā)展，目標跟蹤在軍用、民用以及醫(yī)學(xué)等方面具有重要意義。比如，目標跟蹤在視頻監(jiān)控、智能導(dǎo)航、互動游戲、機器人技術(shù)以及增強現(xiàn)實等領(lǐng)域有著至關(guān)重要的應(yīng)用。通常在進行目標跟蹤時，目標的識別特征都是采用固定維度的特征，而且這些固定維度的特征是根據(jù)上一幀圖像中確定的跟蹤目標附近采集的正負樣本來確定的。

然而，由于跟蹤圖像中景物的多樣性和復(fù)雜性，目標跟蹤技術(shù)在工程應(yīng)用中仍然有許多問題有待解決。比如，在目標跟蹤過程中，由于光線變化、目標外觀變化、復(fù)雜背景影響等因素導(dǎo)致目標外觀模型中的一些特征的判別能力和描述能力下降，而隨著每次跟蹤目標的識別特征的更新，判別誤差也會逐漸增大，對當前幀圖像中的跟蹤目標的判別幾乎僅取決于上一幀圖像所確定的跟蹤目標，與歷史圖像中的跟蹤目標脫離了聯(lián)系，往往造成跟蹤目標判別不準確，出現(xiàn)跟蹤錯誤等現(xiàn)象。

因此，如何提高目標跟蹤過程中判定跟蹤目標的準確度，成為一個亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

因此，本發(fā)明要解決的技術(shù)問題在于現(xiàn)有技術(shù)中在目標跟蹤過程中，判定跟蹤目標的準確度低，容易出現(xiàn)跟蹤錯誤。

從而提供一種目標跟蹤、跟蹤目標識別特征的提取方法和裝置。

有鑒于此，本發(fā)明實施例的第一方面提供了一種跟蹤目標識別識別特征的提取方法，包括：獲取歷史跟蹤圖像中跟蹤目標的目標特征池；獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標的背景特征；將所述目標特征池作為正樣本、所述背景特征作為負樣本訓(xùn)練分類器得到分類特征向量；按照元素的系數(shù)從大到小依次從所述分類特征向量中選取目標特征生成所述識別特征。

優(yōu)選地，所述獲取歷史跟蹤圖像中跟蹤目標的目標特征池包括：分別提取每一幀圖像中所述跟蹤目標的壓縮特征；對所述壓縮特征進行低秩一致性分析，得到所述壓縮特征的稀疏矩陣；根據(jù)所述稀疏矩陣選取預(yù)設(shè)個數(shù)的所述壓縮特征生成所述目標特征池。

優(yōu)選地，所述分類器包括識別特征svm分類器、決策樹分類器、邏輯回歸分類器、樸素貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器中的任一種。

優(yōu)選地，所述根據(jù)所述稀疏矩陣選取預(yù)設(shè)個數(shù)的所述壓縮特征生成所述目標特征池包括：獲取所述稀疏矩陣的稀疏值；按照所述稀疏值從小到大依次選取所述預(yù)設(shè)個數(shù)的所述壓縮特征生成所述目標特征池。

優(yōu)選地，所述獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標的背景特征包括：選取距離所述跟蹤目標預(yù)設(shè)范圍內(nèi)的背景圖像；提取所述背景圖像的壓縮特征作為所述背景特征。

本發(fā)明實施例的第二方面提供了一種目標跟蹤方法，包括：使用本發(fā)明實施例的第一方面或第一方面的任一優(yōu)選方案所述的跟蹤目標識別特征的提取方法提取跟蹤目標的識別特征；獲取當前幀圖像中所述跟蹤目標的多個當前目標特征；分別計算多個所述當前目標特征與所述識別特征的特征距離；選取最小的所述特征距離對應(yīng)的所述當前目標特征作為所述跟蹤目標的當前特征；根據(jù)所述當前特征跟蹤所述跟蹤目標。

本發(fā)明實施例的第三方面提供了一種跟蹤目標識別特征的提取裝置，包括：第一獲取模塊，用于獲取歷史跟蹤圖像中跟蹤目標的目標特征池；第二獲取模塊，用于獲取所述歷史跟蹤圖像的最后一幀圖像中所述跟蹤目標的背景特征；訓(xùn)練模塊，用于將所述目標特征池作為正樣本、所述背景特征作為負樣本訓(xùn)練分類器得到分類特征向量；生成模塊，用于按照元素的系數(shù)從大到小依次從所述分類特征向量中選取目標特征生成所述識別特征。

優(yōu)選地，所述第一獲取模塊包括：第一提取單元，用于分別提取每一幀圖像中所述跟蹤目標的壓縮特征；分析單元，用于對所述壓縮特征進行低秩一致性分析，得到所述壓縮特征的稀疏矩陣；生成單元，用于根據(jù)所述稀疏矩陣選取預(yù)設(shè)個數(shù)的所述壓縮特征生成所述目標特征池。

優(yōu)選地，所述分類器包括識別特征svm分類器、決策樹分類器、邏輯回歸分類器、樸素貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器中的任一種。

優(yōu)選地，所述生成單元包括：獲取子單元，用于獲取所述稀疏矩陣的稀疏值；選取子單元，用于按照所述稀疏值從小到大依次選取所述預(yù)設(shè)個數(shù)的所述壓縮特征生成所述目標特征池。

優(yōu)選地，所述第二獲取模塊包括：選取單元，用于選取距離所述跟蹤目標預(yù)設(shè)范圍內(nèi)的背景圖像；第二提取單元，用于提取所述背景圖像的壓縮特征作為所述背景特征。

本發(fā)明實施例的第四方面提供了一種目標跟蹤裝置，包括：提取模塊，用于使用本發(fā)明實施例的第一方面或第一方面的任一優(yōu)選方案所述的跟蹤目標識別特征的提取方法提取跟蹤目標的識別特征；第三獲取模塊，用于獲取當前幀圖像中所述跟蹤目標的多個當前目標特征；計算模塊，用于分別計算多個所述當前目標特征與所述識別特征的特征距離；選取模塊，用于選取最小的所述特征距離對應(yīng)的所述當前目標特征作為所述跟蹤目標的當前特征；跟蹤模塊，用于根據(jù)所述當前特征跟蹤所述跟蹤目標。

本發(fā)明的技術(shù)方案具有以下優(yōu)點：

本發(fā)明實施例提供的目標跟蹤、跟蹤目標識別特征的提取方法和裝置，通過將歷史跟蹤圖像中跟蹤目標的壓縮特征作為目標特征池，并將該目標特征池結(jié)合最后一幀圖像中跟蹤目標的背景特征共同確定跟蹤目標的識別特征，綜合當前幀圖像確定的當前目標特征與識別特征來實現(xiàn)對更總目標的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮最后一幀圖像對下一幀圖像中跟蹤目標的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標判別的影響，使得跟蹤目標的識別特征具有歷史一致性，從而保持識別特征的穩(wěn)定性，同時采用最后一幀圖像中的背景特征作為區(qū)分，使得根據(jù)識別特征能夠準確識別出跟蹤目標和背景的區(qū)別，從而提高了判別跟蹤目標的準確性，綜合考慮當前幀圖像和歷史圖像對跟蹤目標的影響，提高了跟蹤結(jié)果的準確性。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例1的跟蹤目標識別特征的提取方法的一個流程圖；

圖2為本發(fā)明實施例2的目標跟蹤方法的一個流程圖；

圖3為本發(fā)明實施例3的跟蹤目標識別特征的提取裝置的一個框圖。

圖4為本發(fā)明實施例4的目標跟蹤裝置的一個框圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

在本發(fā)明的描述中，需要說明的是，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。

此外，下面所描述的本發(fā)明不同實施方式中所涉及的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互結(jié)合。

實施例1

本實施例提供一種跟蹤目標識別識別特征的提取方法，如圖1所示，包括如下步驟：

s11：獲取歷史跟蹤圖像中跟蹤目標的目標特征池。此處歷史跟蹤圖像是相對于待判別跟蹤目標所在的當前幀圖像來說得，歷史跟蹤圖像可以是跟蹤目標所在的視覺文件，比如視頻、圖片等，目標特征池是能夠表征跟蹤目標的特征集合，比如可以是每一幀圖像中提取出的跟蹤目標的壓縮特征。通過歷史跟蹤圖像來確定表征跟蹤目標的目標特征池，得到的目標特征池具有歷史一致性，從而保證了跟蹤目標的識別特征的穩(wěn)定性，避免跟錯目標。

s12：獲取歷史跟蹤圖像的最后一幀圖像中跟蹤目標的背景特征。為了適應(yīng)跟蹤目標在跟蹤過程中的變化，對跟蹤目標與其背景進行區(qū)分，通過選擇具有判別性的背景特征來區(qū)分跟蹤目標和背景，作為一種優(yōu)選方案，步驟s12可以包括：選取距離跟蹤目標預(yù)設(shè)范圍內(nèi)的背景圖像；提取背景圖像的壓縮特征作為背景特征。具體地，一般選取最后一幀圖像中跟蹤目標附近的背景圖像作為樣本，然后提取該背景圖像的壓縮特征作為背景特征，以準確區(qū)分跟蹤目標與其所在的背景圖像，避免跟蹤錯誤。

s13：將目標特征池作為正樣本、背景特征作為負樣本訓(xùn)練分類器得到分類特征向量。作為一種優(yōu)選方案，分類器包括識別特征svm分類器、決策樹分類器、邏輯回歸分類器、樸素貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器中的任一種。比如選取svm分類器，將目標特征池中的壓縮特征作為正樣本，同時將最后一幀圖像中跟蹤目標的背景特征作為負樣本，由此來構(gòu)建svm分類器，進而獲得svm分類器輸出的分類向量。即綜合考慮歷史圖像和背景圖像對跟蹤目標的影響，提高了判別跟蹤目標的準確性。

s14：按照元素的系數(shù)從大到小依次從分類特征向量中選取目標特征生成識別特征。在本實施例中，構(gòu)建的svm分類器并不用于進行下一幀的分類，而是通過svm分類器得到分類特征向量，給分類向量中是由正負樣本的元素以及svm分類器給出的每一個元素的系數(shù)組成，按照該svm分類器給出的每一個元素的系數(shù)大小來選取識別特征的元素，即svm分類器給出的系數(shù)越大，說明該維特征對判別結(jié)果影響越大，因此可以選取系數(shù)較大的元素特征作為識別特征的組成元素，比如可以按照系數(shù)從大到小依次選取50維目標元素特征組成識別特征，如此綜合考慮目標特征池和背景特征對判別結(jié)果的影響，有效克服了因光線、環(huán)境等因素的變化對識別特征的不良影響，提高了識別特征表征跟蹤目標的準確性。

作為一種優(yōu)選方案，步驟s11可以包括：分別提取每一幀圖像中跟蹤目標的壓縮特征；對壓縮特征進行低秩一致性分析，得到壓縮特征的稀疏矩陣；根據(jù)稀疏矩陣選取預(yù)設(shè)個數(shù)的壓縮特征生成目標特征池。具體地，首先對于歷史跟蹤圖像的每一幀圖像分別進行跟蹤目標的壓縮特征提取，可以采用向量的方式對壓縮特征進行表示，比如用向量an(n為大于1的正整數(shù))表示歷史跟蹤圖像的第n幀圖像中提取到的跟蹤目標的壓縮特征，壓縮特征an的維數(shù)可以根據(jù)實際需要而定，比如本實施例中采用的壓縮特征an可以為150維，則歷史跟蹤圖像的所有幀圖像中跟蹤目標的壓縮特征組成的矩陣可以表示為a＝{a1,a2,…,an}；然后，從歷史跟蹤圖像的倒數(shù)第二幀圖像中提取5個樣本特征作為干擾特征b＝{v1,v2,…,v5}，采用如下公式進行qr分解得到正規(guī)正交矩陣q：

(bb^t)^qbam＝qr

上式中am是srft隨機矩陣；

采用如下公式得到a中對應(yīng)向量的n個稀疏矩陣：

s＝a-(aq)q^t

上式中，s為稀疏矩陣，最后根據(jù)稀疏矩陣從a中選取預(yù)設(shè)個數(shù)的壓縮特征生成目標特征池，預(yù)設(shè)個數(shù)可以根據(jù)實際需要而定，比如可以是m(m<<n)，在n足夠大的情況下本實施例可以選取m＝20；具體地，計算a中每一個壓縮特征對應(yīng)的稀疏矩陣的稀疏值，按照稀疏值從小到大依次選取20個對應(yīng)的壓縮特征生成目標特征池，即選取原則是選擇稀疏值較小的稀疏矩陣對應(yīng)的壓縮特征作為目標特征池中的元素。如此可以提高目標特征池表征跟蹤目標的準確性。

本實施例提供的跟蹤目標識別識別特征的提取方法，過將歷史跟蹤圖像中跟蹤目標的壓縮特征作為目標特征池，并將該目標特征池結(jié)合最后一幀圖像中跟蹤目標的背景特征共同確定跟蹤目標的識別特征，綜合當前幀圖像確定的當前目標特征與識別特征來實現(xiàn)對更總目標的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮最后一幀圖像對下一幀圖像中跟蹤目標的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標判別的影響，使得跟蹤目標的識別特征具有歷史一致性，從而保持識別特征的穩(wěn)定性，同時采用最后一幀圖像中的背景特征作為區(qū)分，使得根據(jù)識別特征能夠準確識別出跟蹤目標和背景的區(qū)別，從而提高了判別跟蹤目標的準確性，綜合考慮當前幀圖像和歷史圖像對跟蹤目標的影響，提高了跟蹤結(jié)果的準確性。

實施例2

本實施例提供了一種目標跟蹤方法，如圖2所示，包括如下步驟：

s21：使用實施例1中的跟蹤目標識別特征的提取方法提取跟蹤目標的識別特征。具體參見實施例1中的詳細描述。

s22：獲取當前幀圖像中跟蹤目標的多個當前目標特征。即通過將當前幀圖像中跟蹤目標的當前目標特征作為判別參考，以保證跟蹤目標的穩(wěn)定性，具體地，上一幀圖像所確定的跟蹤目標對應(yīng)一個位置信息，可以將該位置信息對應(yīng)到當前幀圖像中，得到該位置信息在當前幀圖像中的目標位置，然后再該目標位置附近隨機選取多個候選樣本，提取多個候選樣本的壓縮特征作為當前目標特征，其中當前目標特征可以采用向量的形式表示，其維數(shù)可以根據(jù)實際情況選擇，比如本實施例中可以設(shè)定當前目標特征為50維，如此不僅可以提高當前目標特征的準確性，而且保持了跟蹤目標的連續(xù)性。

s23：分別計算多個當前目標特征與識別特征的特征距離。當前目標特征的個數(shù)可以根據(jù)實際需要選取，識別特征中包含多個元素特征，可以通過分別計算每個當前目標特征與識別特征中的元素特征的距離和作為特征距離，特征距離越小，說明該特征距離對應(yīng)的當前目標特征對跟蹤目標的表征越準確。

s24：選取最小的特征距離對應(yīng)的當前目標特征作為跟蹤目標的當前特征。由步驟s23獲得了每個當前目標特征對應(yīng)的特征距離，根據(jù)特征距離的大小與表征跟蹤目標的準確性的關(guān)系，可以通過選取最小特征距離對應(yīng)的當前目標特征來確定跟蹤目標的當前特征。具體地，可以通過分別計算每個當前目標特征與識別特征中的元素特征的距離和來尋找最小的特征距離，設(shè)xi表示第i(i為大于1的正整數(shù))個當前目標特征，表示識別特征中第k(k為大于1的正整數(shù)，k的取值由具體情況來確定)個元素特征，則可以采用如下公式計算最小特征距離x^*：

然后，將該最小特征距離x^*對應(yīng)的當前目標特征xi作為跟蹤目標的當前特征。

s25：根據(jù)當前特征跟蹤所述跟蹤目標。由步驟s24確定的跟蹤目標的當前特征可以得知跟蹤目標的具體位置以及其他相關(guān)信息，則可以根據(jù)這些信息對跟蹤目標實現(xiàn)實時準確地跟蹤。

本實施例提供的目標跟蹤方法，通過綜合考慮當前幀圖像確定的多個當前目標特征和歷史圖像確定的識別特征對跟蹤目標的影響，實現(xiàn)對當前幀圖像中目標的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮當前幀圖像對跟蹤目標的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標的影響，使得跟蹤目標具有歷史一致性，從而保持目標跟蹤的穩(wěn)定性，并且，由當前幀確定的跟蹤目標的當前特征去更新歷史目標特征池，避免了誤差疊加，提高了跟蹤結(jié)果的準確性。

實施例3

本實施例供了一種跟蹤目標識別特征的提取裝置，如圖3所示，包括：第一獲取模塊31，第二獲取模塊32、訓(xùn)練模塊33、和生成模塊34，各模塊功能如下：

第一獲取模塊31，用于獲取歷史跟蹤圖像中跟蹤目標的目標特征池，具體參見實施例1中對步驟s11的詳細描述。

第二獲取模塊32，用于獲取歷史跟蹤圖像的最后一幀圖像中跟蹤目標的背景特征，具體參見實施例1中對步驟s12的詳細描述。

訓(xùn)練模塊33，用于將目標特征池作為正樣本、背景特征作為負樣本訓(xùn)練分類器得到分類特征向量，具體參見實施例1中對步驟s13的詳細描述。

生成模塊34，用于按照元素的系數(shù)從大到小依次從分類特征向量中選取目標特征生成識別特征。具體參見實施例1中對步驟s14的詳細描述。

作為一種優(yōu)選方案，第一獲取模塊31包括：第一提取單元，用于分別提取每一幀圖像中跟蹤目標的壓縮特征；分析單元，用于對壓縮特征進行低秩一致性分析，得到壓縮特征的稀疏矩陣；生成單元，用于根據(jù)稀疏矩陣選取預(yù)設(shè)個數(shù)的壓縮特征生成目標特征池。具體參見實施例1中的相關(guān)詳細描述。

作為一種優(yōu)選方案，分類器包括識別特征svm分類器、決策樹分類器、邏輯回歸分類器、樸素貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器中的任一種。具體參見實施例1中的相關(guān)詳細描述。

作為一種優(yōu)選方案，生成單元包括：獲取子單元，用于獲取稀疏矩陣的稀疏值；選取子單元，用于按照稀疏值從小到大依次選取預(yù)設(shè)個數(shù)的壓縮特征生成目標特征池。具體參見實施例1中的相關(guān)詳細描述。

作為一種優(yōu)選方案，第二獲取模塊32包括：選取單元，用于選取距離跟蹤目標預(yù)設(shè)范圍內(nèi)的背景圖像；第二提取單元，用于提取背景圖像的壓縮特征作為背景特征。具體參見實施例1中的相關(guān)詳細描述。

本實施例提供的跟蹤目標識別識別特征的提取裝置，過將歷史跟蹤圖像中跟蹤目標的壓縮特征作為目標特征池，并將該目標特征池結(jié)合最后一幀圖像中跟蹤目標的背景特征共同確定跟蹤目標的識別特征，綜合當前幀圖像確定的當前目標特征與識別特征來實現(xiàn)對更總目標的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮最后一幀圖像對下一幀圖像中跟蹤目標的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標判別的影響，使得跟蹤目標的識別特征具有歷史一致性，從而保持識別特征的穩(wěn)定性，同時采用最后一幀圖像中的背景特征作為區(qū)分，使得根據(jù)識別特征能夠準確識別出跟蹤目標和背景的區(qū)別，從而提高了判別跟蹤目標的準確性，綜合考慮當前幀圖像和歷史圖像對跟蹤目標的影響，提高了跟蹤結(jié)果的準確性。

實施例4

本實施例供了一種目標跟蹤裝置，如圖4所示，包括：提取模塊41，第三獲取模塊42、計算模塊43、選取模塊44和跟蹤模塊45，各模塊功能如下：

提取模塊41，用于使用實施例1的跟蹤目標識別特征的提取方法提取跟蹤目標的識別特征，具體參見實施例1中的詳細描述。

第三獲取模塊42，用于獲取當前幀圖像中跟蹤目標的多個當前目標特征，具體參見實施例2中對步驟s22的詳細描述。

計算模塊43，用于分別計算多個當前目標特征與識別特征的特征距離，具體參見實施例2中對步驟s23的詳細描述。

選取模塊44，用于選取最小的特征距離對應(yīng)的當前目標特征作為跟蹤目標的當前特征，具體參見實施例2中對步驟s24的詳細描述。

跟蹤模塊45，用于根據(jù)當前特征跟蹤所述跟蹤目標。具體參見實施例2中對步驟s25的詳細描述。

本實施例提供的目標跟蹤裝置，通過綜合考慮當前幀圖像確定的多個當前目標特征和歷史圖像確定的識別特征對跟蹤目標的影響，實現(xiàn)對當前幀圖像中目標的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮當前幀圖像對跟蹤目標的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標的影響，使得跟蹤目標具有歷史一致性，從而保持目標跟蹤的穩(wěn)定性，并且，由當前幀確定的跟蹤目標的當前特征去更新歷史目標特征池，避免了誤差疊加，提高了跟蹤結(jié)果的準確性。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。