目标跟踪方法、装置、存储介质和计算机设备制造方法及图纸

技术编号:30685777 阅读:15 留言:0更新日期:2021-11-06 09:18
本发明专利技术提供一种目标跟踪方法,包括:读取视频序列第一帧图像的groundtruth数据,初始化跟踪滤波器模型;读取下一帧图像,确定下一帧图像的目标块图像;获取目标块图像的深度卷积特征和CN特征并融合构建目标外观模型;根据目标块图像确定其上下文区域块,获取上下文区域块的HOG特征和CN特征并融合构建背景上下文模型;基于目标外观模型确定目标块图像的目标中心位置;构建尺度估计模型,得到尺度因子;根据目标外观模型和背景上下文模型的模型参数更新跟踪滤波器模型且返回至读取下一帧图像的步骤并继续执行,直至视频序列的所有图像帧完成目标跟踪。该方法从特征融合、背景信息处理两方面实现在光照变化、形变、背景干扰等复杂场景下的跟踪性能显著提升。杂场景下的跟踪性能显著提升。杂场景下的跟踪性能显著提升。

【技术实现步骤摘要】
目标跟踪方法、装置、存储介质和计算机设备


[0001]本专利技术涉及计算机视觉
,具体而言,本专利技术涉及一种目标跟踪方法、装置、计算机可读存储介质和计算机设备。

技术介绍

[0002]目标跟踪是计算机视觉领域一个非常重要的研究方向,在自动驾驶、无人场景下的视频监督、人机交互等领域广泛应用。然而,跟踪的目标对象通常处于背景干扰、形变、尺度变换等复杂的场景,甚至还会历经一些未知的、不可预测的突发挑战,这些复杂的挑战往往导致跟踪精度下降、跟踪漂移,最终跟踪失败。
[0003]现有技术中,KCF、CN、SAMF、DSST等最早的相关滤波类跟踪方法采用了简单的手工特征,能够实现不错的跟踪效果,在跟踪精度上仍有待提升。Ma等人提出CF2方法,以相关滤波为框架加入了深度特征,跟踪的精度获得了提升,但无法应对尺度变换的挑战。现有的相关滤波类跟踪方法,尽管其使用的手工特征或深度特征方法已经在跟踪精确性与成功性上取得了较好的效果,但在复杂场景下的跟踪仍然不理想,在背景干扰、形变、光照变换等挑战下通常走向跟踪失败的结果。
[0004]因此,亟需一种在复杂环境下能够有效应对这些挑战以提高跟踪性能、实现对目标的精确跟踪的目标跟踪方法。

技术实现思路

[0005]为至少能解决上述的技术缺陷之一,本专利技术提供了以下技术方案的目标跟踪方法及对应的装置、计算机可读存储介质和计算机设备。
[0006]本专利技术的实施例根据一个方面,提供了一种目标跟踪方法,包括如下步骤:
[0007]读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据初始化跟踪滤波器模型;
[0008]读取下一帧图像,根据所述跟踪滤波器模型对上一帧图像的目标跟踪数据确定所述下一帧图像的目标块图像;
[0009]获取所述目标块图像的深度卷积特征和CN特征,根据所述深度卷积特征和所述CN特征融合构建目标外观模型;根据所述目标块图像确定其上下文区域块,获取所述上下文区域块的HOG特征和CN特征,根据所述上下文区域块的HOG特征和CN特征融合构建背景上下文模型;
[0010]基于所述目标外观模型确定所述目标块图像的目标中心位置;根据所述上下文区域块的HOG特征和CN特征融合构建尺度估计模型,得到尺度因子;其中,所述目标中心位置和所述尺度因子为所述目标块图像的目标跟踪数据;
[0011]根据目标外观模型和背景上下文模型的模型参数更新所述跟踪滤波器模型,返回至所述读取下一帧图像的步骤并继续执行直至视频序列的所有图像帧完成目标跟踪。
[0012]优选地,所述根据目标外观模型和背景上下文模型的模型参数更新所述跟踪滤波
器模型之前,还包括:
[0013]基于预设的遮挡预测机制判定未发生目标遮挡事件。
[0014]优选地,所述基于预设的遮挡预测机制判定未发生目标遮挡事件,包括:
[0015]获取APCE值和最大相关响应值;
[0016]获取历史APCE均值和历史最大相关响应值均值;
[0017]判断所述APCE值是否大于预定比例的所述历史APCE均值,且所述最大相关响应值是否大于所述历史最大相关响应值均值;
[0018]若是,则判定未发生目标遮挡事件。
[0019]优选地,所述读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据初始化跟踪滤波器模型,包括:
[0020]读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据确定所述第一帧图像的初始目标块图像;
[0021]获取所述初始目标块图像的深度卷积特征和CN特征,根据所述初始目标块图像的深度卷积特征和CN特征融合构建初始目标外观模型;根据初始目标块图像确定其初始上下文区域块,获取所述初始上下文区域块的HOG特征和CN特征,根据所述初始上下文区域块的HOG特征和所述CN特征融合构建初始背景上下文模型;
[0022]融合所述初始目标外观模型和所述初始背景上下文模型,完成初始化跟踪滤波器模型。
[0023]优选地,所述跟踪滤波器模型的表达式为:
[0024][0025]其中,为初始目标块图像,为其共轭变换,为高斯标签,为初始上下文区域块,为其共轭变换,k为初始上下文区域块的数量,λ1和λ2为权重系数。
[0026]优选地,所述基于所述目标外观模型确定所述目标块图像的目标中心位置,包括:
[0027]基于所述目标外观模型,计算所述目标块图像的相关响应值;
[0028]根据所述相关响应值,确定最大相关响应值;
[0029]根据所述最大相关响应值,确定所述目标块图像的目标中心位置。
[0030]优选地,所述根据所述跟踪滤波器模型对上一帧图像的目标跟踪数据确定所述下一帧图像的目标块图像,包括:
[0031]获取基于跟踪滤波器模型得到的对应上一帧图像的目标中心位置和尺度因子;
[0032]根据所述上一帧图像的目标中心位置和尺度因子确定所述下一帧图像的目标块图像。
[0033]此外,本专利技术的实施例根据另一个方面,提供了一种目标跟踪装置,包括:
[0034]初始化模块,用于读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据初始化跟踪滤波器模型;
[0035]目标块图像确定模块,用于读取下一帧图像,根据所述跟踪滤波器模型对上一帧图像的目标跟踪数据确定所述下一帧图像的目标块图像;
[0036]模型构建模块,用于获取所述目标块图像的深度卷积特征和CN特征,根据所述深
度卷积特征和所述CN特征融合构建目标外观模型;根据所述目标块图像确定其上下文区域块,获取所述上下文区域块的HOG特征和CN特征,根据所述上下文区域块的HOG特征和CN特征融合构建背景上下文模型;
[0037]目标跟踪数据确定模块,用于基于所述目标外观模型确定所述目标块图像的目标中心位置;根据所述上下文区域块的HOG特征和CN特征融合构建尺度估计模型,得到尺度因子;其中,所述目标中心位置和所述尺度因子为所述目标块图像的目标跟踪数据;
[0038]模型更新模块,用于根据目标外观模型和背景上下文模型的模型参数更新所述跟踪滤波器模型,返回至所述读取下一帧图像的步骤并继续执行直至视频序列的所有图像帧完成目标跟踪。
[0039]本专利技术的实施例根据又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的目标跟踪方法。
[0040]本专利技术的实施例根据再一个方面,提供了一种计算机设备,所述计算机包括一个或多个处理器;存储器;一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于:执行上述的目标跟踪方法。
[0041]本专利技术与现有技术相比,具有以下有益效果:
...

【技术保护点】

【技术特征摘要】
1.一种目标跟踪方法,其特征在于,包括如下步骤:读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据初始化跟踪滤波器模型;读取下一帧图像,根据所述跟踪滤波器模型对上一帧图像的目标跟踪数据确定所述下一帧图像的目标块图像;获取所述目标块图像的深度卷积特征和CN特征,根据所述深度卷积特征和所述CN特征融合构建目标外观模型;根据所述目标块图像确定其上下文区域块,获取所述上下文区域块的HOG特征和CN特征,根据所述上下文区域块的HOG特征和CN特征融合构建背景上下文模型;基于所述目标外观模型确定所述目标块图像的目标中心位置;根据所述上下文区域块的HOG特征和CN特征融合构建尺度估计模型,得到尺度因子;其中,所述目标中心位置和所述尺度因子为所述目标块图像的目标跟踪数据;根据目标外观模型和背景上下文模型的模型参数更新所述跟踪滤波器模型,返回至所述读取下一帧图像的步骤并继续执行直至视频序列的所有图像帧完成目标跟踪。2.根据权利要求1所述的目标跟踪方法,其特征在于,所述根据目标外观模型和背景上下文模型的模型参数更新所述跟踪滤波器模型之前,还包括:基于预设的遮挡预测机制判定未发生目标遮挡事件。3.根据权利要求2所述的目标跟踪方法,其特征在于,所述基于预设的遮挡预测机制判定未发生目标遮挡事件,包括:获取APCE值和最大相关响应值;获取历史APCE均值和历史最大相关响应值均值;判断所述APCE值是否大于预定比例的所述历史APCE均值,且所述最大相关响应值是否大于所述历史最大相关响应值均值;若是,则判定未发生目标遮挡事件。4.根据权利要求1所述的目标跟踪方法,其特征在于,所述读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据初始化跟踪滤波器模型,包括:读取视频序列第一帧图像的groundtruth数据,根据所述groundtruth数据确定所述第一帧图像的初始目标块图像;获取所述初始目标块图像的深度卷积特征和CN特征,根据所述初始目标块图像的深度卷积特征和CN特征融合构建初始目标外观模型;根据初始目标块图像确定其初始上下文区域块,获取所述初始上下文区域块的HOG特征和CN特征,根据所述初始上下文区域块的HOG特征和所述CN特征融合构建初始背景上下文模型;融合所述初始目标外观模型和所述初始背景上下文模型,完成初始化跟踪滤波器模型。5.根据权利要求4所述的目标跟踪方法,其特征在于,所述跟踪滤波器模...

【专利技术属性】
技术研发人员:符强梁栩欣纪元法孙希延任风华严素清付文涛贾茜子
申请(专利权)人:桂林电子科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1