一种面向视觉跟踪任务的目标遮挡检测方法技术

本发明专利技术公开了一种面向视觉跟踪任务的目标遮挡检测方法，通过目标响应图峰瓣比、区域极大响应高值数、目标和可能遮挡物深度信息估计、区域获取、可能遮挡物同目标位置区域比构建更为鲁棒的视觉目标跟踪过程中的目标遮挡综合决策策略。本发明专利技术充分考虑了单一特征决策方式的不稳定问题，融合多类特征参数进行层级决策，提升了遮挡检测综合性能，使得算法能及时感知目标状态，进而提升跟踪算法的抗遮挡性能。能。能。

【技术实现步骤摘要】
一种面向视觉跟踪任务的目标遮挡检测方法


[0001]本专利技术属于计算机视觉领域，特别是一种面向视觉跟踪任务的目标遮挡检测方法。

技术介绍

[0002]基于模板匹配的跟踪算法主要通过构建能够表征目标视觉特征的特征模板，基于运动目标在视频相邻帧中偏移量不大的假设，在视频新帧中从上一帧位置开始计算偏移量逐步递归至目标位置，或者从该位置开始计算其附近各像素点位置的目标响应，以最大响应处作为目标位置。基于相关滤波的高效性和鲁棒性，以及深度学习算法强大的视觉特征提取能力，基于相关滤波框架和深度学习框架的跟踪算法成为近些年的主流算法框架。
[0003]为了适应被跟踪目标在时间序列上的变化，目标跟踪算法须在跟踪过程中持续学习并更新目标特征信息，若未及时侦测到遮挡现象，对目标特征的持续学习会直接弱化跟踪算子性能，易造成跟踪漂移，甚至失败。因此，及时发现目标是否处于遮挡状态至关重要。现有遮挡检测算法或针对特定类别目标进行目标检测，在目标检测失败时认为遮挡发生，该类方法局限性大，仅能完成对特定类型目标的遮挡检测；另有算法通过简单的颜色空间响应阈值进行判定，稳定性不高。

技术实现思路

[0004]本专利技术要解决的是现有遮挡检测算法类型特定或稳定性不高的问题。
[0005]本专利技术所采用的技术方案是：一种面向视觉跟踪任务的目标遮挡检测方法，包括以下步骤：
[0006]S1，输入视频数据；
[0007]S2，确定兴趣目标，依跟踪算法得出目标响应图，获取兴趣目标在视频帧的位置信息；
[0008]S3，根据目标响应图得出峰瓣比，若峰瓣比大于预设值A，判定无遮挡，返回S2；否则，根据目标响应图得出区域极大响应高值数，若区域极大响应高值数大于预设值B，执行S4，否则,判定无遮挡，返回S2；
[0009]S4，根据S2中的位置信息得出深度直方图，根据深度直方图中的深度信息进行聚类，根据各聚类像素点总数选取目标聚类，若在目标聚类之前没有聚类或目标聚类之前的聚类像素点总数小于预设值C，判定无可能遮挡物且无遮挡，返回S2；否则，判定存在可能遮挡物，根据目标聚类和目标聚类之前的聚类的深度信息得出目标深度信息和可能遮挡物深度信息，进行可能遮挡物区域提取，若可能遮挡物区域同目标区域的比值大于预设值D且可能遮挡物区域与目标区域的距离小于τ，判定遮挡发生，执行S5，否则判定无遮挡，返回S2；
[0010]S5：执行遮挡情况下的跟踪策略。
[0011]优选的，所述S3中，峰瓣比的计算公式为：
[0012][0013]其中f
max
为目标响应图中的最大值，S为目标响应图中除最大响应f
max
所在位置小邻域范围外的所有响应值集合，为集合S的均值，σ
S
为集合S的标准差。
[0014]优选的，所述S3中，区域极大响应高值数为目标响应图中区域极大响应值集合中响应值高于阈值E的区域极大值数量。
[0015]优选的，所述S4中，聚类的方法如下：提取深度直方图中的区域极大值，以各区域极大值为中心，依目标位置区域深度直方图，以深度信息为基准进行K均值聚类，其中K为深度直方图中区域极大值总数。
[0016]优选的，所述S4中，目标聚类的选取方法为：将首个像素点总数为目标区域内像素点总数一半以上的聚类作为目标聚类。
[0017]优选的，所述S4中，
[0018]目标深度信息的计算方法为：以目标聚类的深度均值作为目标深度信息；
[0019]可能遮挡物深度信息的计算方法为：将目标聚类之前的聚类的深度均值作为可能遮挡物深度信息。
[0020]优选的，所述S4中，可能遮挡物区域的提取方法为：
[0021]设任一聚类的深度均值为μ
d
，标准差为σ
d
，在目标区域内随机选取Q个深度值在μ
d
‑
σ
d
到μ
d
+σ
d
之间的像素点作为区域生长起始种子点；以各种子点为起始点，执行区域生长图像分割算法直至生长结束，将各种子点生长得到的区域合并作为可能遮挡物区域。
[0022]优选的，所述S1中的视频数据包含深度图像，S4中，可能遮挡物区域同目标位置区域比的计算公式如下：
[0023][0024]其中函数A用于统计相应集合内的像素点总数，τ为距离阈值；
[0025]D(O,Oc)＝min(||x
o
‑
x
oc
||2|x
o
∈O,x
oc
∈Oc)
[0026]其中，设深度图像中目标区域内像素点集合为O，O
c
为任一可能遮挡物区域内像素点集合，则D(O,O
c
)为集合O和Oc之间的距离D(O,O
c
)，||.||2为L2范数，x
o
和x
oc
均为图像坐标，x
o
属于目标区域，x
oc
属于可能遮挡物区域。
[0027]本专利技术同现有的技术相比具有以下优点和效果：
[0028]本专利技术计算复杂度低，支持并行计算，能够有效完成面向视觉跟踪任务的遮挡检测，使得算法能及时感知目标状态，遇遮挡时采取停止模型更新等策略提升目标跟踪算法的抗遮挡性能。
附图说明
[0029]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1为本专利技术的流程示意图。
具体实施方式
[0031]为了使本专利技术的目的、技术方案及优点更加清楚，下面将结合附图及实施例，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用以解释本专利技术，并不用于限定本专利技术。
[0032]实施例1：
[0033]如图1所示，一种面向视觉跟踪任务的目标遮挡检测方法，包括以下步骤：
[0034]步骤一：连接可同时获取颜色信息和深度信息的设备，该设备可以是Kinect或多目摄像头，将采集到的数据实时传输至计算机终端。
[0035]步骤二：选取跟踪算法，确定兴趣目标并针对兴趣目标完成算法初始化。
[0036]步骤三：读取视频新帧，依跟踪算法计算目标响应图，获取目标在当前帧的位置信息。
[0037]步骤四：
[0038](4.1)计算峰瓣比
[0039](4.1.1)峰瓣比按以下方式计算：
[0040][0041]其中f
max
为目标响应图中的最大值，S为目标响应图中除最大响应f
max
所在位置小邻域范围外的所有响应值集合，为集合S的均值，σ
S
为集合S的标准差。本实施例中小邻域设定为距离最大响应值所对应图像坐标在12像素距离范围内像素点，此处距离为欧式距离。
[0042](4.2)进行颜色空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向视觉跟踪任务的目标遮挡检测方法，其特征在于，包括以下步骤：S1，输入视频数据；S2，确定兴趣目标，依跟踪算法得出目标响应图，获取兴趣目标在视频帧的位置信息；S3，根据目标响应图得出峰瓣比，若峰瓣比大于预设值A，判定无遮挡，返回S2；否则，根据目标响应图得出区域极大响应高值数，若区域极大响应高值数大于预设值B，执行S4，否则,判定无遮挡，返回S2；S4，根据S2中的位置信息得出深度直方图，根据深度直方图中的深度信息进行聚类，根据各聚类像素点总数选取目标聚类，若在目标聚类之前没有聚类或目标聚类之前的聚类像素点总数小于预设值C，判定无可能遮挡物且无遮挡，返回S2；否则，判定存在可能遮挡物，根据目标聚类和目标聚类之前的聚类的深度信息得出目标深度信息和可能遮挡物深度信息，进行可能遮挡物区域提取，若可能遮挡物区域同目标区域的比值大于预设值D且可能遮挡物区域与目标区域的距离小于τ，判定遮挡发生，执行S5，否则判定无遮挡，返回S2；S5：执行遮挡情况下的跟踪策略。2.根据权利要求1所述的面向视觉跟踪任务的目标遮挡检测方法，其特征在于，所述S3中，峰瓣比的计算公式为：其中fmax为目标响应图中的最大值，S为目标响应图中除最大响应fmax所在位置小邻域范围外的所有响应值集合，为集合S的均值，σ
S
为集合S的标准差。3.根据权利要求1所述的面向视觉跟踪任务的目标遮挡检测方法，其特征在于，所述S3中，区域极大响应高值数为目标响应图中区域极大响应值集合中响应值高于阈值E的区域极大值数量。4.根据权利要求1所述的面向视觉跟踪任务的目标遮挡检测方法，其特征在于，所述S4中，聚类的方法如下：提取深度直方图中的区域极大值，以各区域极大值为中心，依目标位置区域深度直方图，以深度信息为基准进行K均值聚类，其中K为深度直方图中区域极大值总数。5.根据权利要求1所述的面向视觉跟踪任务的目标遮挡检测方法，其特征在于，所述S4中，目标聚类...

【专利技术属性】
技术研发人员：胡珂立，赵利平，马思伟，
申请(专利权)人：绍兴市北大信息技术科创中心，
类型：发明
国别省市：