目标跟踪方法、装置及设备制造方法及图纸

本发明专利技术提供了目标跟踪方法、装置及设备，所述方法包括：获取当前帧中目标的候选区域；对获取的候选区域进行特征回归得到终选区域。利用本发明专利技术实施例，即使当前帧中的目标被干扰，例如目标被遮挡、目标发生形变或一定程度的旋转、或者目标之外的背景噪声较大，也可以对当前帧中目标的多个候选区域的信息进行特征回归，根据回归得到的候选区域的综合回归后的信息，确定出目标的终选区域；相比于传统的对单个候选区域或者单个在先的目标所在区域的信息进行回归，可以提升跟踪目标所在区域的鲁棒性、抗干扰性和稳定性，大大降低了跟踪时偏离目标所在区域的几率，提升了跟踪目标所在区域的精度；从而可以提升目标的跟踪精度。

【技术实现步骤摘要】
目标跟踪方法、装置及设备
本专利技术涉及终端
，具体而言，本专利技术涉及一种目标跟踪方法、装置及设备。
技术介绍
随着社会的发展和科技的进步，智能手机、平板电脑、笔记本电脑、电子阅读器、智能摄像头和智能穿戴设备等终端设备，有的已经广泛普及，有的正在迅速的普及中。这些终端设备中通常配置有图像采集装置，例如智能手机中配置的摄像头。用户可以通过终端设备中的图像采集装置，对该用户期望拍摄的目标进行连续图像的拍摄，例如拍摄视频。为了得到目标(尤其是运动中目标)的清晰的图像帧，通常在拍摄过程中需要对目标进行跟踪和连续对焦。目标跟踪方法主要包含两个大的部分，即目标的表观模型的训练更新和目标的搜索策略。目前，存在多种目标跟踪方法。第一种目标跟踪方法包括：在检测目标时，首先采用选择性搜索selective-search得到大约2千个候选包围框的信息，然后选择最优的boundingbox(包围框)。对于最优的包围框采用信息回归的方式得到更精确的包围框的尺寸和位置等信息。在计算目标信息时，只使用单个候选包围框回归得到结果。然而，利用该目标跟踪方法，当被回归的单个候选包围框被遮挡时，很容易丢失目标，导致目标跟踪精度低下；或者当目标实际处于或者大部分处于该单个候选包围框之外的其它位置处时，用单个候选信息回归的方式所得的回归结果的鲁棒性较差，容易跟丢目标，导致目标跟踪精度低下。第二种目标跟踪方法包括：通过采用时间变化的自回归模型来检测以及跟踪目标。此方法根据之前的目标信息来预测后来的目标信息。目标的信息用轮廓来表示。然而，利用该目标跟踪方法，当任一帧中的目标被遮挡时，无法获取当前的目标信息，自然也无法根据当前的目标信息预测后来的目标信息；若继续使用之前的目标信息预测出未来的目标信息，很可能与未来的真实的目标信息差距很大，很容易丢失目标，导致目标跟踪精度低下。第三种目标跟踪方法包括：采用粒子滤波的框架来进行目标跟踪。然而，利用该目标跟踪方法，当任一帧中的目标被干扰(例如目标发生形变、旋转、被遮挡或目标周围背景噪声较大)时，无法获取或难以精确获取当前的目标信息，跟容易导致跟踪偏离目标，导致目标跟踪精度低下。第四种目标跟踪方法包括：采用粒子滤波的框架来进行目标跟踪。采用随机森林来对特征进行评价。然而，利用该目标跟踪方法，当任一帧中的目标被干扰(例如目标发生形变、旋转、被遮挡或目标周围背景噪声较大)时，无法获取或难以获取当前的目标信息，很容易导致跟踪偏离目标，导致目标跟踪精度低下。第五种目标跟踪方法包括：基于Frobenious范数规则化来进行稀疏子空间聚类。此方法可以得到闭式的解。其提出了EBD(EnhancedBlockDiagonalization，增强的块对角化)标准来评价一种稀疏子空间聚类方法能否把样本有效地分到几个子空间中。该方法中证明了基于最小二乘回归的稀疏子空间聚类(LeastSquaresRegressionbasedSparseSubspaceClustering,LSR)满足EBD条件。然而，该目标跟踪方法的聚类中仅利用了目标信息作为样本，也就是说聚类得到的各子空间中仅包括目标信息；当任一帧中的目标被干扰(例如目标发生形变、旋转、被遮挡或目标周围背景噪声较大)时，无法获取或难以获取当前的目标信息，也无法或难以根据聚类得到各子空间区分目标信息和非目标信息，很容易导致跟踪偏离目标，导致目标跟踪精度低下。第六种目标跟踪方法包括：在稀疏子空间聚类过程中，在投影空间中而不是在输入空间中来减弱误差的影响。然而，该目标跟踪方法在构建子空间模型时，仅使用了目标信息作为样本，也就是说子空间模型中仅包括目标信息；当任一帧中的目标被干扰(例如目标发生形变、旋转、被遮挡或目标周围背景噪声较大)时，无法获取或难以获取当前的目标信息，也无法或难以根据子空间模型区分目标信息和非目标信息，很容易导致跟踪偏离目标，导致目标跟踪精度低下。第七种目标跟踪方法包括：通过OMP(OrthogonalMatchingPursuit，正交匹配追踪)方法来进行子空间聚类。然而，该目标跟踪方法的聚类中仅利用了目标信息作为样本，也就是说聚类得到的各子空间中仅包括目标信息；当任一帧中的目标被干扰(例如目标发生形变、旋转、被遮挡或目标周围背景噪声较大)时，无法获取或难以获取当前的目标信息，也无法或难以根据聚类得到各子空间区分目标信息和非目标信息，很容易导致跟踪偏离目标，导致目标跟踪精度低下。综上所述，现有的目标跟踪算法存在仅对目标的单个候选包围框的信息进行回归而导致跟踪时容易偏离目标的缺陷；或者，存在仅根据在前的目标信息预测后来的目标信息而导致跟踪时容易偏离目标的缺陷；或者，仅将目标信息作为样本进行聚类创建模型、而无法区分目标信息和非目标信息导致跟踪时容易偏离目标的缺陷。
技术实现思路
本专利技术针对现有目标跟踪方式的缺点，提出一种目标跟踪方法、装置及设备，用以解决现有技术存在跟踪时容易偏离目标的问题，以提高抗目标变形、旋转、被遮挡等干扰的性能，降低跟踪时偏离目标的几率，提高目标跟踪精度。本专利技术根据第一个方面，提供了一种目标跟踪方法，包括：获取当前帧中目标的候选区域；对获取的候选区域进行特征回归得到终选区域。较佳地，所述获取当前帧中目标的候选区域，包括：根据预存帧中目标的基图像，确定出当前帧中目标的初选区域的信息；获取所述目标的初选区域周围的第一设定数目个候选区域的信息；以及所述对获取的候选区域进行特征回归得到终选区域，包括：根据特征回归矩阵，对获取的各候选区域的信息进行回归；根据所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域。较佳地，所述根据特征回归矩阵，对获取的各候选区域的信息进行回归，包括：对于所述当前帧中目标的初选区域周围的每个候选区域，确定出该候选区域中的图像特征分别基于多个特征回归矩阵的多个位置偏移量；根据该候选区域的所述多个位置偏移量，确定出该候选区域的回归后的位置偏移量和权重；根据各候选区域的位置、位置偏移量和权重，确定出候选区域的综合回归后的位置。较佳地，所述对获取的候选区域进行特征回归得到终选区域，还包括：对获取的候选区域进行特征回归和特征评价得到终选区域。较佳地，所述对获取的候选区域进行特征回归和特征评价得到终选区域，包括：根据特征回归矩阵，对获取的各候选区域的信息进行回归；根据稀疏子空间聚类模型，对获取的各候选区域的信息进行评价；根据所述评价得到的最大评价值的候选区域的信息、和所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域。较佳地，所述根据所述评价得到的最大评价值的候选区域的信息、和所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域，包括：根据所述最大评价值，确定出所述最大评价值的候选区域的信息的权重、以及所述候选区域的综合回归后的信息的权重；根据所述最大评价值的候选区域的信息及其权重、和所述候选区域的综合回归后的信息及其权重，确定出所述目标的终选区域的信息。较佳地，所述特征回归矩阵是通过下述方法训练得到的：对于每个样本帧，获取该样本帧的基图像周围的第二设定数目个候选区域；确定出该样本帧中每个候选区域与所述基图像所在区域之间的位置偏移量；进而确定出该样本帧的位置偏移量矩阵；根据该样本帧中本文档来自技高网...

【技术保护点】
一种目标跟踪方法，其特征在于，包括：获取当前帧中目标的候选区域；对获取的候选区域进行特征回归得到终选区域。

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：获取当前帧中目标的候选区域；对获取的候选区域进行特征回归得到终选区域。2.根据权利要求1所述的方法，其特征在于，所述获取当前帧中目标的候选区域，包括：根据预存帧中目标的基图像，确定出当前帧中目标的初选区域的信息；获取所述目标的初选区域周围的第一设定数目个候选区域的信息；以及所述对获取的候选区域进行特征回归得到终选区域，包括：根据特征回归矩阵，对获取的各候选区域的信息进行回归；根据所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域。3.根据权利要求2所述的方法，其特征在于，所述根据特征回归矩阵，对获取的各候选区域的信息进行回归，包括：对于所述当前帧中目标的初选区域周围的每个候选区域，确定出该候选区域中的图像特征分别基于多个特征回归矩阵的多个位置偏移量；根据该候选区域的所述多个位置偏移量，确定出该候选区域的回归后的位置偏移量和权重；根据各候选区域的位置、位置偏移量和权重，确定出候选区域的综合回归后的位置。4.根据权利要求1所述的方法，其特征在于，所述对获取的候选区域进行特征回归得到终选区域，还包括：对获取的候选区域进行特征回归和特征评价得到终选区域。5.根据权利要求4所述的方法，其特征在于，所述对获取的候选区域进行特征回归和特征评价得到终选区域，包括：根据特征回归矩阵，对获取的各候选区域的信息进行回归；根据稀疏子空间聚类模型，对获取的各候选区域的信息进行评价；根据所述评价得到的最大评价值的候选区域的信息、和所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域。6.根据权利要求5所述的方法，其特征在于，所述根据所述评价得到的最大评价值的候选区域的信息、和所述回归得到的候选区域的综合回归后的信息，确定出所述目标的终选区域，包括：根据所述最大评价值，确定出所述最大评价值的候选区域的信息的权重、以及所述候选区域的综合回归后的信息的权重；根据所述最大评价值的候选区域的信息及其权重、和所述候选区域的综合回归后的信息及其权重，确定出所述目标的终选区域的信息。7.根据权利要求5或6所述的方法，其特征在于，所述特征回归矩阵是通过下述方法训练得到的：对于每个样本帧，获取该样本帧的基图像周围的第二设定数目个候选区域；确定出该样本帧中每个候选区域与所述基图像所在区域之间的位置偏移量；进而确定出该样本帧的位置偏移量矩阵；根据该样本帧中每个候选区域中的图像特征、所述位置偏移量矩阵、和所述基图像的特征，确定出该样本帧对应的回归矩阵并保存。8.根据权利要求5-7任一项所述的方法，其特征在于，所述稀疏子空间聚类模型是通过下述方法训练得到的：将预存的至少一帧作为样本帧，提取各样本帧的基子图像的特征作为正样本，确定出正样本矩阵；根据所述正样本矩阵和基于最小二乘回归的稀疏子空间聚类LSR模型，确定出最优的产生式系数矩阵；根据最优的产生式系数矩阵，确定出混合系数矩阵；对混合系数矩阵进行谱聚类，得到多个正样本组。9.根据权利要求5-8任一项所述的方法，其特征在于，所述稀疏子空间聚类模型具体为混合稀疏子空间聚类模型，以及所述混合稀疏子空间聚类模型是通过下述方法训练得到的：将预存的至少一帧作为样本帧，提取各样本帧的基子图像的特征作为正样本，确定出正样本矩阵；提取每个样本帧的基图像周围的第三设定数目个候选区域中的图像特征作为负样本；根据所述正样本矩阵和LSR模型，确定出初始的混合系数矩阵；对初始的混合系数矩阵进行谱聚类，得到初始的多个正样本组；对混合系数矩阵进行迭代；其中一次迭代包括：当迭代次数未达到预设的最大迭代次数时，根据图嵌入模型、当前各正样本组和各负样本，确定出本次迭代的判别性系数...

【专利技术属性】
技术研发人员：马林，周明才，王光伟，南东暻，钱德恒，王强，刘志花，王再冉，许珍九，徐静涛，
申请(专利权)人：北京三星通信技术研究有限公司，三星电子株式会社，
类型：发明
国别省市：北京,11