一种运动目标跟踪方法及装置制造方法及图纸

本发明专利技术提供一种运动目标跟踪方法及装置，具体实现方式为，在特征提取阶段，基于方向向量和最大平均池化方法进行特征提取，建立方向向量与初始采样片之间的映射关系，对初始采样片集合进行补偿；在运动估计阶段，利用重构误差修正采样片的观测概率，增加与方向向量相对应的采样片的权值，计算修正后的观测概率，得出最终的运动目标跟踪结果。该种方法及装置有效弥补了初始化过程中采样信息的不足，丰富了特征类型，对运动目标的表示更加全面，同时提高了跟踪结果的准确性及稳定性。

Moving target tracking method and device

The present invention provides a moving target tracking method and device, implementation mode, in the feature extraction phase, the direction vector and the maximum average pooling method based on feature extraction, the mapping relation between the direction vector and the initial establishment of the sample piece, to compensate for the initial sampling sheet set; in the motion estimation stage, fixed sampling observation probability slice by reconstruction error increases with direction vector corresponding sampling plate weight calculation of the observation probability corrected, the final results of tracking the moving target. The method and the device can effectively make up for the deficiency of the sampling information in the initialization process, enrich the feature type, and more comprehensively represent the moving target, and improve the accuracy and stability of the tracking result.

【技术实现步骤摘要】

本专利技术涉及运动目标跟踪领域，具体而言，涉及一种运动目标跟踪方法及装置。
技术介绍
基于稀疏表示的视觉跟踪算法通常将稀疏表示和运动估计方法相结合对运动目标进行跟踪，如将稀疏表示与学习策略、均值偏移方法、贝叶斯运动估计、粒子滤波等相结合，对动态环境中的运动目标进行跟踪。采用稀疏光流提取跟踪过程中所需要的特征，虽然可以达到在线跟踪的目的，可这种方法只适合于小位移的运动物体，对于比局部图像结构更大的位移信息无法准确跟踪。另外，粒子滤波方法在相同的障碍物出现时，不能避免漂移现象的产生。虽然可以通过对每一个粒子进行学习，并将其作为一个独有的工作以提高算法的鲁棒性，但是，算法的速率将大大降低，而且粒子退化的问题仍然存在。贝叶斯运动估计的方法对运动目标的跟踪不能在线进行，无法达到在线实时跟踪的目的。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种运动目标跟踪方法及装置。一方面，本专利技术实施例提供一种运动目标跟踪方法，该方法包括：对运动目标的当前帧进行初始化采样，得到初始采样片集合；分别对所述当前帧及该当前帧的前一帧构建高斯金字塔模型，并从当前帧所对应的高斯金字塔模型的顶层开始逐层计算每一层的剩余光流向量，以得到该当前帧的方向向量；根据所述方向向量及初始采样片集合计算权值映射矩阵，并将该权值映射矩阵所对应的当前帧上不属于所述初始采样片集合的新的采样片加入该初始采样片集合中，得到完备采样片集合；对所述完备采样片集合中的每一个采样片分别进行稀疏编码获得对应的稀疏向量，再得到由所述稀疏向量构成的该完备采样片集合对应的稀疏矩阵；采用最大平均池化算法对所述稀疏矩阵进行特征筛选，得到所述完备采样片集合中每一个采样片所对应的池化向量；根据所述池化向量计算对应采样片的重建误差，以根据该采样片的重建误差、池化向量以及预设权值计算该采样片的观测概率；获取具有最大观测概率的采样片作为最终的运动目标跟踪结果。另一方面，本专利技术实施例提供一种运动目标跟踪装置，该装置包括：初始采样模块，用于对运动目标的当前帧进行初始化采样，得到初始采样片集合；方向向量计算模块，用于分别对所述当前帧及该当前帧的前一帧构建高斯金字塔模型，并从当前帧所对应的高斯金字塔模型的顶层开始逐层计算每一层的剩余光流向量，以得到该当前帧的方向向量；补偿采样模块，用于根据所述方向向量及初始采样片集合计算权值映射矩阵，并将该权值映射矩阵所对应的当前帧上不属于所述初始采样片集合的新的采样片加入该初始采样片集合中，得到完备采样片集合；稀疏矩阵计算模块，用于对所述完备采样片集合中的每一个采样片分别进行稀疏编码获得对应的稀疏向量，再得到由所述稀疏向量构成的该完备采样片集合对应的稀疏矩阵；最大平均池化模块，用于采用最大平均池化算法对所述稀疏矩阵进行特征筛选，得到所述完备采样片集合中每一个采样片所对应的池化向量；观测概率计算模块，用于根据所述池化向量计算对应采样片的重建误差，以根据该采样片的重建误差、池化向量以及预设权值计算该采样片的观测概率；跟踪结果获取模块，用于获取具有最大观测概率的采样片作为最终的运动目标跟踪结果。本专利技术提供的运动目标跟踪方法及装置，在特征提取阶段，提出了基于方向向量和最大平均池化的特征提取方法，引入方向向量，建立方向向量与初始采样片之间的映射关系，对初始采样片集合进行补偿，以弥补初始化过程中采样信息的不足，丰富了特征类型，对运动目标的表示更加全面；在运动估计阶段，提出了基于权值选择的运动目标跟踪方法，利用重构误差修正采样片的观测概率，增加与方向向量相对应的采样片的权值，计算修正后的观测概率，得出最终的运动目标跟踪结果，有效提高了跟踪的准确性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术较佳实施例提供的一种数据处理设备的示意性结构框图；图2为本专利技术较佳实施例提供的一种运动目标跟踪装置的功能模块框图；图3为本专利技术较佳实施例提供的一种运动目标跟踪方法的流程图；图4为本专利技术较佳实施例提供的图3所示的运动目标跟踪方法中对当前帧进行补偿采样后的示意图。附图标记：具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，是本专利技术较佳实施例提供的一种数据处理设备100的示意性结构框图。该数据处理设备100包括存储器200、处理器300以及运动目标跟踪装置400。所述数据处理设备100可以是计算机或其他任意具有数据处理能力的计算设备。所述存储器200与处理器300之间直接或间接地电性连接，以实现数据的传输或交互。例如，可通过一条或多条通讯总线或信号线实现电性连接。所述运动目标跟踪装置400包括至少一个可以软件或固件(firmware)的形式存储于所述存储器200中或固化在所述数据处理设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器300用于执行存储器200中存储的可执行模块，例如所述运动目标跟踪装置400包括的软件功能模块或计算机程序。所述处理器300在接收到执行指令后，执行所述功能模块或程序，下述本专利技术任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器300中，或者由处理器300实现。如图2所示，是本专利技术较佳实施例提供的所述运动目标跟踪装置400的功能模块框图。该运动目标跟踪装置400包括初始采样模块410、方向向量计算模块420、补偿采样模块430、稀疏矩阵计算模块440、最大平均池化模块450、观测概率计算模块460及跟踪结果获取模块470。各个功能模块所执行的操作可参照下述运动目标跟踪方法中具体步骤的详细描述。请参阅图3，是本专利技术较佳实施例提供的使用所述数据处理设备100实现的运动目标跟踪方法的流程图。所应说明的是，本专利技术提供的运动目标跟踪方法并不以图3及以下所述的具体顺序为限制。下面将对图3所示的具体步骤及流程进行详细阐述。步骤S101，对运动目标的当前帧进行初始化采样，得到初始采样片集合。所述初始采样模块410可用于执行该步骤S101。具体地，在当前帧的前一帧跟踪结果的周围进行初始化采样，获得初始采样片集合Y＝{y1,y2,...,ym本文档来自技高网...

【技术保护点】
一种运动目标跟踪方法，其特征在于，该方法包括：对运动目标的当前帧进行初始化采样，得到初始采样片集合；分别对所述当前帧及该当前帧的前一帧构建高斯金字塔模型，并从当前帧所对应的高斯金字塔模型的顶层开始逐层计算每一层的剩余光流向量，以得到该当前帧的方向向量；根据所述方向向量及初始采样片集合计算权值映射矩阵，并将该权值映射矩阵所对应的当前帧上不属于所述初始采样片集合的新的采样片加入该初始采样片集合中，得到完备采样片集合；对所述完备采样片集合中的每一个采样片分别进行稀疏编码获得对应的稀疏向量，再得到由所述稀疏向量构成的该完备采样片集合对应的稀疏矩阵；采用最大平均池化算法对所述稀疏矩阵进行特征筛选，得到所述完备采样片集合中每一个采样片所对应的池化向量；根据所述池化向量计算对应采样片的重建误差，以根据该采样片的重建误差、池化向量以及预设权值计算该采样片的观测概率；获取具有最大观测概率的采样片作为最终的运动目标跟踪结果。

【技术特征摘要】
1.一种运动目标跟踪方法，其特征在于，该方法包括：对运动目标的当前帧进行初始化采样，得到初始采样片集合；分别对所述当前帧及该当前帧的前一帧构建高斯金字塔模型，并从当前帧所对应的高斯金字塔模型的顶层开始逐层计算每一层的剩余光流向量，以得到该当前帧的方向向量；根据所述方向向量及初始采样片集合计算权值映射矩阵，并将该权值映射矩阵所对应的当前帧上不属于所述初始采样片集合的新的采样片加入该初始采样片集合中，得到完备采样片集合；对所述完备采样片集合中的每一个采样片分别进行稀疏编码获得对应的稀疏向量，再得到由所述稀疏向量构成的该完备采样片集合对应的稀疏矩阵；采用最大平均池化算法对所述稀疏矩阵进行特征筛选，得到所述完备采样片集合中每一个采样片所对应的池化向量；根据所述池化向量计算对应采样片的重建误差，以根据该采样片的重建误差、池化向量以及预设权值计算该采样片的观测概率；获取具有最大观测概率的采样片作为最终的运动目标跟踪结果。2.根据权利要求1所述的运动目标跟踪方法，其特征在于，所述分别对所述当前帧及该当前帧的前一帧构建高斯金字塔模型，并从当前帧所对应的高斯金字塔模型的顶层开始逐层计算每一层的剩余光流向量，以得到该当前帧的方向向量的步骤包括：对当前帧及前一帧分别构建高斯金字塔模型和其中L＝1,2,3；根据计算式：计算中每一层的剩余光流向量，其中，表示第L层上的剩余光流向量，表示第L层上总的光流向量，且表示由第L+1层传递给第L层的光流向量；及根据计算得到的中每一层的剩余光流向量，得到该当前帧的方向向量，表示为其中Dv为方向向量，3.根据权利要求2所述的运动目标跟踪方法，其特征在于，对所述完备采样片集合中的每一个采样片分别进行稀疏编码得到对应的稀疏向量的步骤包括：根据计算式：计算所述完备采样片集合中的每一个采样片对应的稀疏向量，其中采样片i＝1,2,3,...,n，表示所述完备采样片集合，D表示字典，表示采样片对应的稀疏向量。4.根据权利要求3所述的运动目标跟踪方法，其特征在于，所述采用最大平均池化算法对所述稀疏矩阵进行特征筛选，得到所述完备采样片集合中每一个采样片所对应的池化向量的步骤包括：根据最大平均池化计算式：对稀疏矩阵W*进行特征筛选，其中为与采样片对应的池化向量。5.根据权利要求4所述的运动目标跟踪方法，其特征在于，所述根据所述池化向量计算对应采样片的重建误差，以根据该采样片的重建误差、池化向量以及预设权值计算该采样片的观测概率的步骤包括：根据计算式：计算采样片的重建误差；及根据计算采样片的观测概率，其中为采样片对应的预设权值，若采样片则βi为(0,1)之间的随机数，若则βi为1，G＝GI∪G0为所述权值映射矩阵对应的采样片集合，且GI∈Y,Y为所述初始采样片集合。6.一种运动目标跟踪装置，其特征在于，该装置包括：初始采样模块，用于对运动目标的当前帧进行初始化采样，得到初始采...

【专利技术属性】
技术研发人员：杜军平，朱素果，任楠，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11