目标实时跟踪方法及装置制造方法及图纸

本发明专利技术适用于图像处理领域，提供了一种目标实时跟踪方法及装置。所述方法包括：步骤1：采集当前帧的目标的周围区域的图像，获得正样本集和负样本集；步骤2：对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量；步骤3：将所述多尺度图像特征向量转换成低维图像特征向量；步骤4：对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置；步骤5：采集所述当前帧的下一帧的正样本集和负样本集；重复上述步骤2至步骤4后，输出跟踪到的目标位置，实现目标的实时跟踪。通过上述方法能够提高跟踪目标的效率。

Method and device for tracking target in real time

The invention is suitable for the image processing field, and provides a target real-time tracking method and device. The method comprises the following steps: Step 1: acquisition of the current frame around the target area of the image, get a positive sample and negative sample set; step 2: multiscale image block is set and the set of negative samples, obtain multi-scale image feature vector; step 3: the multi-scale the image feature vector is converted into low dimensional image feature vector; step 4: to classify the low dimensional image feature vector, according to the current frame to determine the tracking target position classification results; step 5: positive samples collection the current frame to the next frame and negative sample set; repeat the above steps 2 to step 4, the output tracking to the target position, to achieve real-time tracking of targets. The efficiency of the tracking target can be improved by the method described above.

【技术实现步骤摘要】
目标实时跟踪方法及装置
本专利技术实施例属于图像处理领域，尤其涉及一种目标实时跟踪方法及装置。
技术介绍
随着计算机理论、技术和应用的快速发展，视频图像处理和计算能力得到了极大的提高，使得计算机视觉成为了计算机领域与人工智能领域中最热门的研究课题。实时目标跟踪技术作为计算机视觉研究的核心内容之一，融合了模式识别、图像处理、自动控制、人工智能等多种不同领域，形成了一种能检测、识别、分割和跟踪运动目标的技术。现有的目标跟踪方法通常为：对图像序列中的运动目标或是特征单一的物体进行检测、识别和跟踪，通过获取目标的位置、速度等参数或是目标的形状和颜色等特征，然后对其进一步处理，实现对运动目标物的准确跟踪。但是，此种方法由于需要对每个图像点做处理，因此处理复杂度高，处理效率低的问题。
技术实现思路
本专利技术实施例提供了一种目标实时跟踪方法及装置。旨在解决现有的方法由于需要对每个图像点做处理，因此处理复杂度高，处理效率低的问题。本专利技术实施例是这样实现的，一种目标实时跟踪方法，所述方法包括：步骤1：采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集；步骤2：对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量；步骤3：将所述多尺度图像特征向量转换成低维图像特征向量；步骤4：对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置；步骤5：采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集，以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集；重复上述步骤2至步骤4后，输出跟踪到的目标位置，实现目标的实时跟踪。本专利技术实施例的另一目的在于提供一种目标实时跟踪装置，所述装置包括：当前帧样本采集单元，用于采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集；多尺度图像特征向量获取单元，用于对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量；低维图像特征向量确定单元，用于将所述多尺度图像特征向量转换成低维图像特征向量；特征分类单元，用于对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置；下一帧样本集采集单元，用于采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集，以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集；目标位置输出单元，用于在再次执行多尺度图像特征向量获取单元、低维图像特征向量确定单元、特征分类单元后，输出跟踪到的目标位置，实现目标的实时跟踪。在本专利技术实施例中，由于对样本集进行多尺度变换、降维、分类操作，因此，使得目标跟踪更准确，且计算量更少，从而保证目标跟踪的实时性。附图说明图1是本专利技术第一实施例提供的一种目标实时跟踪方法的流程图；图2是本专利技术第一实施例提供的一种目标实时跟踪装置的结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例中采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集，对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量，将所述多尺度图像特征向量转换成低维图像特征向量，对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置，采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集，以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集，对新获得的正样本集和负样本集再次变化，分别获得多尺度图像特征向量、低维图像特征向量，进而根据该低维图像特征向量的分类结果输出跟踪到的目标位置，实现目标的实时跟踪。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：图1示出了本专利技术第一实施例提供的一种目标实时跟踪方法的流程图，详述如下：步骤S11，采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集。例如，假设目标为人脸，则目标的图像块(即正样本集的图像块)为人脸对应的图像块，背景的图像块(即负样本集的图像块)为人脸附近对应的图像块。该步骤中，获取若干个所述目标(正样本)和背景(负样本)的图像块的方法为：在t-1帧图像时，在所述目标位置lt-1的周围，即与距离lt-1小于γ的范围内采样n个图像块，组成正负训练样本集合，所述样本集合为：Dγ＝{z||l(z)-lt-1|<γ}，(1)其中n大于或等于1。步骤S12，对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量。可选地，所述步骤S12具体包括：A1、对所述正样本集和负样本集的图像块进行卷积处理，得到至少1个多尺度样本集。A2、将所述至少1个多尺度样本集转换为列向量，再根据所述列向量转换程高维的多尺度图像特征向量。具体地，可将正样本集和负样本集的图像块与一组矩形滤波器做卷积运算，得到若干个多尺度样本集。所述矩形滤波器集合为：上述(2)式中，x,y分别表示坐标位置，其可分别取值于滤波器的变长范围，且为整数值，i和j分别是矩形滤波器的宽和高(在一个优选方案中，i与j的最大值是相等的，即滤波器是行列相等的方阵)，所述滤波器的宽和高不超过样本尺寸的宽(w)和高(h)；将所述卷积运算后的图像块转换为w×h维的列向量，然后，将所述列向量连接成高维(如(w×h)2维)的多尺度图像特征向量X＝(x'1,…x'm)T，其中，X表示列向量，x’表示在各维度上的分量值。步骤S13，将所述多尺度图像特征向量转换成低维图像特征向量。可选地，所述步骤S13具体包括：B1、确定稀疏的随机测量矩阵。B2、根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间，以将所述多尺度图像特征向量转换成低维图像特征向量。通过采用稀疏的随机测量矩阵R将所述多尺度图像特征向量X投影到低维空间的低维图像特征向量f。所述稀疏的随机测量矩阵R定义为：其中，rij为R的数值，s可取任意随机数，但当s取2或者3时，即满足Johnson-Lindenstrauss推论，所述Johnson-Lindenstrauss推论为对所述多尺度变换后的图像进行降维处理时，所述图像块中每两个点之间的距离不变。由于将多尺度图像特征向量映射到低维空间，因此极大降低了需处理的数据量，从而提高了数据处理速度。可选地，当S取2时，所述稀疏的随机测量矩阵R定义为：上式中，当s取2时，矩阵元素有1/4的概率为有1/4的概率为有1/2的概率为0，矩阵的计算量减少了1/2。可选地，当S取3时，所述稀疏随机矩阵R定义为：上式中，当s取3时，矩阵元素有1/6的概率为有1/6的概率为有2/3的概率为0，矩阵的计算量减少了2/3。上述稀疏的随机测量矩阵R只需在本文档来自技高网...

【技术保护点】
一种目标实时跟踪方法，其特征至于，所述方法包括：步骤1：采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集；步骤2：对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量；步骤3：将所述多尺度图像特征向量转换成低维图像特征向量；步骤4：对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置；步骤5：采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集，以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集；重复上述步骤2至步骤4后，输出跟踪到的目标位置，实现目标的实时跟踪。

【技术特征摘要】
1.一种目标实时跟踪方法，其特征至于，所述方法包括：步骤1：采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集，所述背景的图像块集合为负样本集；步骤2：对所述正样本集和负样本集的图像块进行多尺度变换，获得多尺度图像特征向量；步骤3：将所述多尺度图像特征向量转换成低维图像特征向量；步骤4：对所述低维图像特征向量中的特征进行分类，根据分类结果确定当前帧跟踪到的目标位置；步骤5：采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集，以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集；重复上述步骤2至步骤4后，输出跟踪到的目标位置，实现目标的实时跟踪。2.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：对所述正样本集和负样本集的图像块进行卷积处理，得到至少1个多尺度样本集；将所述至少1个多尺度样本集转换为列向量，再根据所述列向量转换程高维的多尺度图像特征向量。3.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：确定稀疏的随机测量矩阵；根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间，以将所述多尺度图像特征向量转换成低维图像特征向量。4.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：对所述低维图像特征向量进行积分图像，获得图像特征；对所述图像特征进行分类，确定分类响应值最大的图像特征对应的图像块位置，将所述图像块位置确定为当前帧跟踪到的目标位置。5.根据权利要求4所述的方法，其特征在于，利用朴素贝叶斯分类器H(v)对所述图像特征v进行分类：其中，y∈{0,1}代表样本标签，y＝0表示负样本，y＝1表示正样本。6.一种目标实时跟踪装置，其特征至于，所述装置包括：当前帧样本采集单元，用于采集当前帧的目标的周围区域的图像，获得至少1个目标的图像块和背景的图像块，所述目标的图像块集合为正样本集...

【专利技术属性】
技术研发人员：陈书楷，杨奇，
申请(专利权)人：厦门中控生物识别信息技术有限公司，
类型：发明
国别省市：福建,35