一种目标跟踪方法及系统技术方案

本申请公开了一种目标跟踪方法及系统，该方法包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。可见，本申请在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。

【技术实现步骤摘要】
一种目标跟踪方法及系统
本专利技术涉及目标跟踪
，特别涉及一种目标跟踪方法及系统。
技术介绍
当前，越来越多的应用场景需要进行视频图像采集，以获取场景中的相关视频图像信息。而在某些特定的情况下，还需要对视频图像中的特定目标进行识别跟踪，以获取特定目标所处的位置信息。现有的目标跟踪技术，能够大体上满足人们对目标跟踪的基本要求，应用范围越来越广，在交通、犯罪侦查、拍照、打击恐怖主义等方面取得了显著成效。然而，现有的目标跟踪技术依然存在跟踪效果较差的问题，如何进一步改善目标跟踪效果是目前还有待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种目标跟踪方法及系统，能够进一步改善目标跟踪效果。其具体方案如下：一种目标跟踪方法，包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。可选的，所述利用预设的跟踪算法，对目标对象展开位置坐标跟踪的过程，包括：利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪，得到所述跟踪位置坐标。可选的，所述利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪的过程，包括：对所述目标对象周围进行密集采样，得到相应的训练样本集；提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。可选的，所述提取所述训练样本集中每一训练样本的样本特征的过程，包括：提取所述训练样本集中每一训练样本的HOG特征、CN特征以及HSV特征。可选的，在对所述目标对象展开位置坐标跟踪的过程中，还包括：判断所述目标对象是否受到遮挡；若所述目标对象没有受到遮挡，则对所述第一正则化最小二乘分类器进行更新；若所述目标对象受到遮挡，则禁止对所述第一正则化最小二乘分类器进行更新。可选的，所述确定当前所述目标对象的尺度的过程，包括：在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。本专利技术还相应公开了一种目标跟踪系统，包括：位置坐标确定模块，用于利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；尺度确定模块，用于确定当前所述目标对象的尺度；目标跟踪模块，用于利用所述尺度确定模块确定出的尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。可选的，所述位置坐标确定模块，包括：采样单元，用于对所述目标对象周围进行密集采样，得到相应的训练样本集；特征获取单元，用于提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；第一分类器训练单元，用于基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；跟踪位置坐标确定单元，用于通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。可选的，所述目标跟踪系统，还包括：遮挡判断单元，用于判断所述目标对象是否受到遮挡；分类器更新单元，用于在所述目标对象没有受到遮挡的情况下，对所述第一正则化最小二乘分类器进行更新；禁止更新单元，用于在所述目标对象受到遮挡的情况下，禁止对所述第一正则化最小二乘分类器进行更新。可选的，所述尺度确定模块，包括：尺度样本处理单元，用于在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；第二分类器训练单元，用于利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；尺度确定单元，用于将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。本专利技术中，目标跟踪方法，包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。可见，本专利技术在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例公开的一种目标跟踪方法流程图；图2为本专利技术实施例公开的一种具体的目标跟踪方法流程图；图3为本专利技术实施例公开的一种目标跟踪系统结构示意图。具体实施方式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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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。本专利技术实施例公开了一种目标跟踪方法，参见图1所示，该方法包括：步骤S11：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标。需要说明的是，上述预设的跟踪算法具体是现有技术中已经公开的跟踪算法。步骤S12：确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。可见，本专利技术实施例在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。参见图2所示，本专利技术实施例公开了一种具体的目标跟踪方法，具体包括以下步骤：步骤S21：利用核相关滤波跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标。进一步的，上述利用核相关滤波跟踪算法，对目标对象展开位置坐标跟踪的过程，具体可以包括下面步骤S211至S214：步骤S211：对目标对象周围进行密集采样，得到相应的训练样本集。步骤S212：提取训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征。其中，上述提取训练样本集中每一训练样本的样本特征的过程，具体可以包括：提取训练样本集中每一训练样本的HOG特征(HOG，即HistogramofOrientedGradient)、CN特征(CN，即Color-naming)以及HSV特征(HSV，即Hue,Saturation,Value)。本实施例中，上述HOG特征中包含31维的特征，分别为9维的方向不敏感特征、18维的方向敏感特征以及4维的纹理特征；上述CN特征中包含11维不同的颜色；上述HSV特征中包含色度特征(即Hue特征)以及色度饱和特征(即Saturation特征)。本实施例中，具体可以利用高斯核相关运算对上述31维的HOG特征、11维的CN特征以及2维的本文档来自技高网...

【技术保护点】
一种目标跟踪方法，其特征在于，包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述利用预设的跟踪算法，对目标对象展开位置坐标跟踪的过程，包括：利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪，得到所述跟踪位置坐标。3.根据权利要求2所述的目标跟踪方法，其特征在于，所述利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪的过程，包括：对所述目标对象周围进行密集采样，得到相应的训练样本集；提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。4.根据权利要求3所述的目标跟踪方法，其特征在于，所述提取所述训练样本集中每一训练样本的样本特征的过程，包括：提取所述训练样本集中每一训练样本的HOG特征、CN特征以及HSV特征。5.根据权利要求3所述的目标跟踪方法，其特征在于，在对所述目标对象展开位置坐标跟踪的过程中，还包括：判断所述目标对象是否受到遮挡；若所述目标对象没有受到遮挡，则对所述第一正则化最小二乘分类器进行更新；若所述目标对象受到遮挡，则禁止对所述第一正则化最小二乘分类器进行更新。6.根据权利要求1至5任一项所述的目标跟踪方法，其特征在于，所述确定当前所述目标对象的尺度的过程，包括：在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到...

【专利技术属性】
技术研发人员：朱明，周同雪，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：吉林,22