CN111476814B

CN111476814B - 目标跟踪方法、装置、设备及存储介质

Info

Publication number: CN111476814B
Application number: CN202010204982.1A
Authority: CN
Inventors: 谢维信; 姜思宇
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2020-03-25
Filing date: 2020-03-25
Publication date: 2024-05-24
Anticipated expiration: 2040-03-25
Also published as: CN111476814A

Abstract

本发明公开了一种目标跟踪方法、装置、设备及存储介质，该方法包括：从当前帧图像选定跟踪目标，基于跟踪目标所在的目标区域建立目标模型；基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由候选模型确定跟踪目标的位置信息；计算目标模型与候选模型的第一巴氏系数，根据第一巴氏系数判断跟踪目标是否被遮挡；若没有被遮挡，则执行建立候选模型的步骤；若被遮挡，则通过遮挡预测方案对跟踪目标进行跟踪，直到跟踪目标脱离遮挡。由此，基于跟踪算法和遮挡预测方案在所述跟踪目标被遮挡后进行跟踪，由候选模型确定跟踪目标的位置信息，解决了跟踪目标被遮挡后无法继续跟踪且检测范围过大、检测效率不够高的问题。

Description

目标跟踪方法、装置、设备及存储介质

技术领域

本发明涉及机器学习技术领域，尤其涉及一种目标跟踪方法、装置、设备及存储介质。

背景技术

视觉跟踪在安全监控、交通管制等各种场合得到了广泛应用，逐渐成为工程领域和科学领域的一个研究热点。对于视频图像序列中的运动目标跟踪，首先要在图像序列中检测出跟踪目标的区域，然后在后续序列中标识出这些跟踪目标或区域。在长时间的跟踪过程中，跟踪目标一般都会发生被遮挡、消失等现象。

传统的跟踪算法中，当跟踪目标被遮挡后，很难再被跟踪，跟踪目标丢失后无法继续跟踪。并且跟踪目标的检测范围过大，检测效率不够高。

发明内容

本发明提供一种目标跟踪方法、装置、设备及存储介质，旨在解决跟踪目标被遮挡后无法继续跟踪且检测范围过大、检测效率不够高的问题。

为实现上述目的，本发明提供一种目标跟踪方法，该方法包括：

从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；

基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；

计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；

若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；

若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。

优选地，所述通过遮挡预测方案对所述跟踪目标进行跟踪的步骤包括：

通过预先构建的灰色预测模型获得所述跟踪目标的预测位置，获得所述跟踪目标的预测位置；

基于所述预测位置建立预测模型，并建立对应的比较帧图像的比较模型，基于所述预测模型和所述比较模型计算第二巴氏系数；

根据所述第二巴氏系数判断所述跟踪目标是否脱离遮挡；

若所述跟踪目标已脱离遮挡，并继续执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；

若所述跟踪目标未脱离遮挡，并执行步骤：通过预先构建的灰色预测模型获得所述跟踪目标的预测位置。

优选地，所述根据所述第一巴氏系数判断所述跟踪目标是否被遮挡的步骤包括：

比较所述第一巴氏系数与第一巴氏系数阈值；

若所述第一巴氏系数大于或等于所述第一巴氏系数阈值，则判定所述跟踪目标没有被遮挡；

反之，若所述第一巴氏系数小于所述第一巴氏系数阈值，则判定所述跟踪目标被遮挡。

优选地，所述跟踪算法是均值漂移算法(meanshift)与跟踪学习检测算法(Tracking-Learning-Detection,TLD)的融合算法；

基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型的步骤包括：

在所述下一帧图像中，通过meanshift算法中的核函数进行概率密度计算，获得所述跟踪目标的初始候选模型；

计算所述跟踪目标的参考目标模型与所述初始候选模型的相似度；

基于所述相似度和基于TLD模型确定的迭代起点不断对所述初始候选模型进行迭代更新，直至收敛，保存所述初始候选模型收敛时的模型参数，获得所述候选模型。

优选地，所述基于所述相似度和基于TLD模型确定的迭代起点不断对所述初始候选模型进行迭代更新，直至收敛，保存所述初始候选模型收敛时的模型参数，获得所述候选模型的步骤之前还包括：

基于TLD模型获得TLD跟踪目标位置，基于所述TLD跟踪目标位置确定TLD跟踪框和TLD中心点，计算所述TLD跟踪框的置信度，并比较所述置信度与置信度阈值；

当所述置信度大于或等于置信度阈值时，将所述TLD中心点确定为迭代起点；

当所述置信度小于置信度阈值时，将所述初始候选模型确定的中心点确定为迭代起点。

优选地，所述通过预先构建的灰色预测模型获得所述跟踪目标的预测位置的步骤之前包括：

获取所述跟踪目标的若干个位置信息，根据所述若干个位置信息生成初始序列；

通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型。

优选地，所述通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型的步骤之后还包括：

计算所述灰色预测模型的模型精度，根据所述模型精度判断所述灰色预测模型是否符合要求。

为实现上述目的，本发明还提供一种目标跟踪装置，所述装置包括：

第一建立模块，用于从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；

第二建立模块，用于基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；

计算模块，用于计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；

为实现上述目的，本发明还提供一种目标跟踪设备，所述目标跟踪设备包括处理器，存储器以及存储在所述存储器中的目标跟踪程序，所述目标跟踪程序被所述处理器运行时，实现如上所述的目标跟踪方法的步骤。

为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有目标跟踪程序，所述目标跟踪程序被处理器运行时实现如上所述目标跟踪方法的步骤。

相比现有技术，本发明公开了一种目标跟踪方法、装置、设备及存储介质，该方法包括：从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。由此，基于跟踪算法和遮挡预测方案在所述跟踪目标被遮挡后进行跟踪，由候选模型确定跟踪目标的位置信息，解决了跟踪目标被遮挡后无法继续跟踪且检测范围过大、检测效率不够高的问题。

附图说明

图1是本发明各实施例涉及的目标跟踪设备的硬件结构示意图；

图2是本发明目标跟踪方法第一实施例的流程示意图；

图3是本发明目标跟踪方法第一实施例的第一跟踪目标的跟踪检测示意图；

图4是本发明目标跟踪方法第一实施例的第二跟踪目标的跟踪检测示意图

图5是本发明目标跟踪装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例主要涉及的目标跟踪设备是指能够实现网络连接的网络连接设备，所述目标跟踪设备可以是服务器、云平台等。

参照图1，图1是本发明各实施例涉及的目标跟踪设备的硬件结构示意图。本发明实施例中，目标跟踪设备可以包括处理器1001(例如中央处理器Central ProcessingUnit、CPU)，通信总线1002，输入端口1003，输出端口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；输入端口1003用于数据输入；输出端口1004用于数据输出，存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块、应用程序模块以及目标跟踪程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001用于调用存储器1005中存储的目标跟踪程序，并执行如下操作：从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。

基于上述目标跟踪提出本法明目标跟踪方法第一实施例。图2是本发明目标跟踪方法第一实施例的流程示意图。

如图2所示，所述目标跟踪方法包括：

步骤S101：从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；

本实施例中，从各种监控视频监控设备拍摄的视频图像中选取包括跟踪目标的当前帧图像。在所述当前帧图像中，能清楚地获得该跟踪目标的相关数据。

对于所述当前帧图像，假定所述跟踪目标所在的目标区域的位置的点集为{x_i}，i＝1，2，3…，n，目标区域中心坐标为x₀，并按区域大小h进行归一化。则基于Mean-Shift算法，将中心坐标在x₀的目标区域，由核函数进行概率密度估计获得x_i的目标模型

其中：C_h为归一化常数，满足k(x)为核函数K(x)的轮廓函数，n为像素点个数。所述核函数可以是Uniform核，也可以是Gaussian 核。

步骤S102：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；

具体地，所述步骤S102包括：

步骤S102a:在所述下一帧图像中，通过meanshift算法中的核函数进行概率密度计算，获得所述跟踪目标的初始候选模型；

将所述跟踪目标在所述下一帧图像中可能出现的区域设为候选目标区域，所述候选目标区域的中心坐标为z，所述候选区域目标的像素点为x_i(i＝1， 2，…，n_h)，则将所述候选区域的初始候选模型表示为:

步骤S102b:计算所述跟踪目标的参考目标模型与所述初始候选模型的相似度；

本实施例中，所述参考目标模型为所述跟踪目标在上一帧图像(也即步骤S101中的“当前帧图像”)的目标模型通过Bahttacharyya系数(巴氏系数)计算所述参考目标模型和所述候选模型的相似度

步骤S102c:基于所述相似度和基于TLD模型确定的迭代起点不断对所述初始候选模型进行迭代更新，直至收敛，保存所述初始候选模型收敛时的模型参数，获得所述候选模型。

基于所述相似度取z₀为初始位置，对所述相似度在z₀处进行泰勒级数展开并整理得：

上式第一项与常量z₀有关，当第二项取得最大值时，表明所述候选模型与所述目标模型相似度最大。其中，第二项表示轮廓函数为k(x)、权重为w_i的核概率密度估计，根据上述Mean-Shift优化方法，对所述核概率密度估计求一阶导，可在梯度方向得到极大值。所以，不断对所述初始候选模型进行Mean-Shift迭代优化，直至所述初始候选模型的中心位置不再变化或者收敛，即可获得所述跟踪目标在所述下一帧图像中的位置信息。

本实施例中，所述目标跟踪方法以传统的TLD模型 (Tracking-Learning-Detection,跟踪学习检测算法)为基础，对传统的TLD 模型进行优化，以获得更好地跟踪效果。为了提高目标跟踪方法的抗遮挡能力，本实施例通过所述TLD模型获得的TLD跟踪目标位置确定TLD跟踪框和TLD中心点，计算所述TLD跟踪框的置信度，根据所述质询度确定建立所述初始候选模型更新的迭代起点。

具体地，所述步骤S102C的步骤之前还包括：

步骤S102C1：基于TLD模型获得TLD跟踪目标位置，基于所述TLD跟踪目标位置确定TLD跟踪框和TLD中心点，计算所述TLD跟踪框的置信度，并比较所述置信度与置信度阈值；

TLD是一种在线检测的单目标跟踪算法，该算法的优势在于将传统检测算法和跟踪算法结合起来，克服跟踪目标在运动过程中因发生形变和遮挡目标丢失的问题。同时，通过在线学习模块不断的学习来更新目标模板和参数以及跟踪模块目标的特征点，使得跟踪效果具有鲁棒性。TLD算法主要由三个模块构成：跟踪模块(tracker)，检测模块(detector)和学习模块(learning)。并且检测模块和跟踪模块，互不干涉，并行进行处理。一般地，所述跟踪模块主要用到的是中值光流(Median-Flow)跟踪算法。通过所述跟踪模块可以获得TLD跟踪目标位置。

步骤S102C2：当所述置信度大于或等于置信度阈值时，将所述TLD中心点确定为迭代起点；

所述置信度阈值根据经验设置。当所述置信度大于或等于置信度阈值时说明所述TLD模型确定的TLD跟踪目标位置的准确度比较高，因而可以将所述TLD中心点确定为迭代起点。

步骤S102C3：当所述置信度小于置信度阈值时，将所述初始候选模型确定的中心点确定为迭代起点。

当所述置信度小于置信度阈值时说明所述TLD模型确定的TLD跟踪目标位置的准确度不够高，因而可以将述初始候选模型确定的中心点确定为迭代起点。

本实施例通过合理的设置置信度阈值和Mean-Shift迭代起点，可以较好的提高目标跟踪方法的抗遮挡能力。

步骤S103：计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；

具体地，所述根据所述第一巴氏系数判断所述跟踪目标是否被遮挡的步骤包括：比较所述第一巴氏系数与第一巴氏系数阈值；若所述第一巴氏系数大于或等于所述第一巴氏系数阈值，则判定所述跟踪目标没有被遮挡；反之，若所述第一巴氏系数小于所述第一巴氏系数阈值，则判定所述跟踪目标被遮挡。本实施例中，所述第一巴氏系数阈值根据经验设置。

步骤S104：若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。

若所述跟踪目标被遮挡，则所述候选模型难以获得跟踪目标的位置信息。此时，需要启动遮挡预测方案。

本实施例中，所述遮挡预测方案是灰色预测模型与TLD的融合。

具体地，所述通过遮挡预测方案对所述跟踪目标进行跟踪的步骤包括：

步骤S104a:通过预先构建的灰色预测模型获得所述跟踪目标的预测位置，获得所述跟踪目标的预测位置；

本实施例中，所述步骤S104a的步骤之前包括：

步骤S104a1：获取所述跟踪目标的若干个位置信息，根据所述若干个位置信息生成初始序列；

步骤S104a2：通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型。

灰色预测的优点是不需要很多的数据，一般只需要4个数据就够，能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统的本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成序列，运算简便，易于检验。将原始数据列中的数据，按照某种要求作数据处理称为灰色生成，数据生成的常用方式有累加生成、累减生成和加权累加生成。

本实施例采用累加生成的数据生成方式，通过数列间各时刻数据的依个累加以得到新的数据和数列。累加前的数列称为原始数列，累加后的数列称为生成数列。

灰色预测的核心体系是灰色预测模型(Grey Model，简称GM)，即对原始数据作累加生成得到近似的指数规律再进行建模的方法。灰色预测模型对于不同问题采用不同模型，本实施例采用的GM(1,1)是一阶微分方程模型，主要解决生成序列是有指数变化规律。

本实施例中，获取所述跟踪目标的若干个位置信息，将所述若干个位置信息分别表示为X(0)(1)、X(0)(2)……X(0)(n)；

根据所述若干个位置信息生成初始序列，将所述初始序列表示为：

x⁽⁰⁾＝(X⁽⁰⁾(1),X⁽⁰⁾(2),...,X⁽⁰⁾(n))；

对该序列进行一次累加生成序列得：

x⁽¹⁾＝(X⁽¹⁾(1),X⁽¹⁾(2),...,X⁽¹⁾(n))；

其中，

令Z⁽¹⁾为X⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))；

其中，

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)；

建立GM(1,1)的灰微分方程模型为：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

其中a为发展系数，b为灰色作用量，设为待估参数向量，则灰微分方程的最小二乘估计列应满足：

其中，

再建立灰色微分方程的白化方程，也称影子方程：

则将影子方程的解，也称时间相应函数表示为：

将相应的GM(1,1)模型灰色微分方程的时间响应序列表示为：

k＝1,...,n-1；

再做累加还原后可得预测方程：

其中发展系数a反映的是与的发展趋势，灰色作用量b是从背景值中挖掘出来的一个参数值。

将所述预测方程标记为灰色预测模型。灰色作用量b能够很好的反映输入数据序列的变化规律，能判断并呈现出数据变化的规律是否符合灰色性。也是将灰色预测模型与其他输入输出数学模型区分开来的一个重要参数。

获得所述灰色预测模型后，需要检测所述灰色预测模型的模型精度。

进一步地，所述步骤S104a2的步骤之后还包括：

所述步骤S104a2-1：计算所述灰色预测模型的模型精度，根据所述模型精度判断所述灰色预测模型是否符合要求。

所述灰色预测模型确定之后，需要经过检验才能判定其是否合理，只有通过检验的模型才能用来做预测，本实施例通过后验差检验法检验所述灰色预测模型的模型精度。

按GM(1,1)建模法已求出并将做一次累减转化为即

计算残差得：

其中k＝1,2,…,n

然后计算原始序列x⁽⁰⁾的方差S₁，和残差e的方差S₂，

其中然后计算后验差比：

其中C和p是后验差检验的两个重要指标，指标C越小越好，C越小表示S₁大而S₂越小。S₁大表示原始数据方差大，即原始数据离散程度大。S₂小表示残方差小，即残差离散程度小。C小就表明尽管原始数据很离散，而模型所得计算值与实际值之差并不太离散。具体的模型精度与均方差比值C的关系如下4种情况：

1)C<＝0.35，则模型精度1级，非常好；

2)0.35<C<＝0.5，则模型精度2级，合格；

3)0.5<C<＝0.65，则模型精度3级，勉强合格；

4)C>0.65，则模型精度4级，不合格；

显然，GM(1，1)模型只需几个初始序列就可以进行预测，本实施例以跟踪目标的位置信息作为预测的初始序列，为了预测的准确性，采用跟踪目标前5个位置信息进行预测下一位置，并用得到的位置信息及时更新历史数据，以便对后续遮挡进行准确预测。

步骤S104b:基于所述预测位置建立预测模型，并建立对应的比较帧图像的比较模型，基于所述预测模型和所述比较模型计算第二巴氏系数；

本实施例中，通过所述灰色预测模型在所述跟踪目标被遮挡后预测所述跟踪目的预测位置。获得所述预测位置后，基于所述预测位置判定所述跟踪目标是否脱离遮挡。

基于所述预测位置建立预测模型，并建立对应的比较帧图像的比较模型，基于所述预测模型和所述比较模型计算第二巴氏系数。

所述第二巴氏系数的计算方法与所述第一巴氏系数的计算方法相同，此处不再赘述。

步骤S104c:根据所述第二巴氏系数判断所述跟踪目标是否脱离遮挡；

将所述第二巴氏系数与预设第二巴氏系数阈值进行对比，若所述第二巴氏系数小于所述预设第二巴氏系数阈值，则判定所述跟踪目标还未脱离遮挡；若所第二巴氏系数大于或等于所述预设第二巴氏系数阈值，则判定所述跟着走目标已脱离遮挡。

若所述跟踪目标已脱离遮挡，并继续执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型。此时，需要将跟踪模块初始化，重新经最新获得的视频或照片中确定当前帧图像，并确定新的下一帧图像。

本实施例中，通过灰色预测模型得到所述跟踪目标的预测位置后，以预测位置为中心划定一个矩形区域，所述矩形区域的长宽比与所述跟踪目标包围框一致，而长与宽设置为包围框的若干倍(所述包围框不大于视频图像的宽和高)。由此，过滤掉大部分无效框，仅将与此区域有重叠的子窗口送入 TLC模型的检测模块进行处理，从而减少需要处理的子窗口数目来提高运行速度。

如此，不断地对所述跟踪目标进行跟踪，不断地获得所述跟踪目标的最新位置信息，并且在所述跟踪目标被遮挡后重新对跟踪目标进行跟踪，不至于丢失跟踪目标。

本实施例中，获得所述跟踪目标在图像中的区域后，将所述区域用框图框出，例如用亮线矩形框标记所述灰色预测模型获得的预测位置，用暗线矩形框标记所述跟踪目标的实际位置。将所述暗线矩形框与所述亮线矩形框的重合部分标记为子窗口，并仅将所述子窗口发送至检测模块进行检测，如此，即可大大缩小检测范围。一般地，暗线矩形框在亮线矩形框的内部。

为了验证算法的有效性与可行性，本实施例对不同环境下的图像序列进行了目标跟踪实验。分别在监控视频和手机拍摄的室外环境下目标被遮挡时使用本文提出的算法进行实验，实验采用Visual Studio 2013软件在windows 下编程实现，实验环境是CPU3.30GHz，8GB内存。本实施例分别对网上公开的Walking2、girl2视频序列进行实验测试，包含了在跟踪会出现的跟踪目标部分遮挡、跟踪目标丢失、跟踪目标姿态的改变、跟踪目标的缩放和特征变化、光照变化，还有图像的分辨率变化，利用本实施例提出的目标跟踪方法进行跟踪所得出的跟踪结果，如图3所示，图3是本发明目标跟踪方法第一实施例的第一跟踪目标的跟踪检测示意图。图3选取了网上公开的Walking2 视频序列。将Walking2视频中的行人作为第一跟踪目标。图3中，A、B、C、 D分别选取了具有代表性的4帧，分别是行人(第一跟踪目标)开始、出现遮挡、遮挡结束时的跟踪结果，可知能一直跟踪该行人，其次通过结合灰色预测模型，进行了无效框的过滤。本实施例中，以准确率(Accuracy，AC)表征所述目标跟踪方法的效果。AC是指所述灰色预测模型预测后过滤的无效框体的数量除以总框体的数量，代表着过滤了百分之几的框体，当过滤了越多的框即预测的位置越准确，所以用准确率来描述预测过滤的框体百分比，同时相比原来的TLD全图搜索要高效很多，即能达到提速的目的。在图3A中行人开始出现，未被遮挡，并不会进行过滤，因为能够进行跟踪，从图3B开始出现了遮挡，此时能够过滤掉超过90％的无效框，图3B中，AC为98.57％；图3C中，AC为96.33％；图3D中，AC为99.81％；如此，大大提高了跟踪效率和速度。

进一步地，参考图4，图4是本发明目标跟踪方法第一实施例的第二跟踪目标的跟踪检测示意图；图4中girl2视频中的小女孩为第二跟踪目标。选取了视频序列中有代表性的6帧。图4的4A和4B图显示正常跟踪，AC为0％，但随后出现了完全遮挡，4C图出现了短暂的跟丢，AC为90.87％；当小女孩再度出现时即4D和4E，跟踪算法再次跟踪上，4D和4E中，AC分别为98.51％94.93；图 4F中小女孩完全无遮挡，此时AC为94.935。在跟踪过程中，小女孩的特征一直在变化，且图像分辨率也发生了变化，但一直能成功跟踪。在跟踪的过程中，灰色预测模型一直在进行预测范围的提取和结合TLD的检测模块进行跟踪目标的位置检测，有效的过滤了无效检测框，提升了检测效率。

本实施例通过上述步骤，从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。由此，基于跟踪算法和遮挡预测方案在所述跟踪目标被遮挡后进行跟踪，由候选模型确定跟踪目标的位置信息，解决了跟踪目标被遮挡后无法继续跟踪且检测范围过大、检测效率不够高的问题。

进一步地，为实现上述目的，本发明还提供一种目标跟踪装置，具体地，参见图5，图5是本发明目标跟踪装置第一实施例的功能模块示意图，所述装置包括：

第一建立模块10，用于从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；

第二建立模块20，用于基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；

计算模块30，用于计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；

执行模块40，若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；

跟踪模块50，用于若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。

进一步地，所述跟踪模块包括：

获得单元，用于通过预先构建的灰色预测模型获得所述跟踪目标的预测位置，获得所述跟踪目标的预测位置；

建立单元，用于基于所述预测位置建立预测模型，并建立对应的比较帧图像的比较模型，基于所述预测模型和所述比较模型计算第二巴氏系数；

第一判断单元，用于根据所述第二巴氏系数判断所述跟踪目标是否脱离遮挡；

第一执行单元，用于若所述跟踪目标已脱离遮挡，并继续执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；

第二执行单元，用于若所述跟踪目标未脱离遮挡，并执行步骤：通过预先构建的灰色预测模型获得所述跟踪目标的预测位置。

进一步地，所述计算模块包括：

比较单元，用于比较所述第一巴氏系数与第一巴氏系数阈值；

第一判定单元，用于若所述第一巴氏系数大于或等于所述第一巴氏系数阈值，则判定所述跟踪目标没有被遮挡；

第二判定单元，用于若所述第一巴氏系数小于所述第一巴氏系数阈值，则判定所述跟踪目标被遮挡。

进一步地，所述第二建立模块包括：

第一计算单元，用于在所述下一帧图像中，通过meanshift算法中的核函数进行概率密度计算，获得所述跟踪目标的初始候选模型；

第二计算单元，用于计算所述跟踪目标的参考目标模型与所述初始候选模型的相似度；

更新单元，用于基于所述相似度和基于TLD模型确定的迭代起点不断对所述初始候选模型进行迭代更新，直至收敛，保存所述初始候选模型收敛时的模型参数，获得所述候选模型。

进一步地，所述更新单元还包括：

第三计算单元，用于基于TLD模型获得TLD跟踪目标位置，基于所述 TLD跟踪目标位置确定TLD跟踪框和TLD中心点，计算所述TLD跟踪框的置信度，并比较所述置信度与置信度阈值；

第一确定单元，用于当所述置信度大于或等于置信度阈值时，将所述TLD 中心点确定为迭代起点；

第二确定单元，用于当所述置信度小于置信度阈值时，将所述初始候选模型确定的中心点确定为迭代起点。

进一步地，所述获得单元还包括：

第一生成单元，用于获取所述跟踪目标的若干个位置信息，根据所述若干个位置信息生成初始序列；

第二生成单元，用于通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型。

进一步地，所述第二生成单元还包括：

第三判断单元，用于计算所述灰色预测模型的模型精度，根据所述模型精度判断所述灰色预测模型是否符合要求。

此外，本发明实施例还提供一种计算机存储介质，所述计算机存储介质上存储有目标跟踪程序，所述目标跟踪程序被处理器运行时实现如上所述目标跟踪方法的步骤，此处不再赘述。

相比现有技术，本发明提出的一种目标跟踪方法、装置、设备及存储介质，该方法包括：从当前帧图像选定跟踪目标，基于所述跟踪目标所在的目标区域建立目标模型；基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息；计算所述目标模型与所述候选模型的第一巴氏系数，根据所述第一巴氏系数判断所述跟踪目标是否被遮挡；若所述跟踪目标没有被遮挡，则执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡。由此，基于跟踪算法和遮挡预测方案在所述跟踪目标被遮挡后进行跟踪，由候选模型确定跟踪目标的位置信息，解决了跟踪目标被遮挡后无法继续跟踪且检测范围过大、检测效率不够高的问题。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种目标跟踪方法，其特征在于，该方法包括：

基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息，所述跟踪算法是均值漂移算法与跟踪学习检测算法的融合算法；

若所述跟踪目标被遮挡，则通过遮挡预测方案对所述跟踪目标进行跟踪，直到所述跟踪目标脱离遮挡；

其中，所述通过遮挡预测方案对所述跟踪目标进行跟踪的步骤包括：

根据所述第二巴氏系数判断所述跟踪目标是否脱离遮挡；

若所述跟踪目标未脱离遮挡，并执行步骤：通过预先构建的灰色预测模型获得所述跟踪目标的预测位置；

所述通过预先构建的灰色预测模型获得所述跟踪目标的预测位置的步骤之前包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一巴氏系数判断所述跟踪目标是否被遮挡的步骤包括：

比较所述第一巴氏系数与第一巴氏系数阈值；

3.根据权利要求1所述的方法，其特征在于，所述基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型的步骤包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述相似度和基于TLD模型确定的迭代起点不断对所述初始候选模型进行迭代更新，直至收敛，保存所述初始候选模型收敛时的模型参数，获得所述候选模型的步骤之前还包括：

5.根据权利要求1所述的方法，其特征在于，所述通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型的步骤之后还包括：

6.一种目标跟踪装置，其特征在于，所述装置包括：

第二建立模块，用于基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型，由所述候选模型确定所述跟踪目标的位置信息，所述跟踪算法是均值漂移算法与跟踪学习检测算法的融合算法；

其中，所述计算模块，还用于通过预先构建的灰色预测模型获得所述跟踪目标的预测位置，获得所述跟踪目标的预测位置；基于所述预测位置建立预测模型，并建立对应的比较帧图像的比较模型，基于所述预测模型和所述比较模型计算第二巴氏系数；根据所述第二巴氏系数判断所述跟踪目标是否脱离遮挡；若所述跟踪目标已脱离遮挡，并继续执行步骤：基于跟踪算法建立所述跟踪目标在下一帧图像中的候选模型；若所述跟踪目标未脱离遮挡，并执行步骤：通过预先构建的灰色预测模型获得所述跟踪目标的预测位置；

所述计算模块，还用于获取所述跟踪目标的若干个位置信息，根据所述若干个位置信息生成初始序列；通过累加生成的方式获得所述初始序列的生成序列，基于所述生成序列获得灰色预测模型。

7.一种目标跟踪设备，其特征在于，所述目标跟踪设备包括处理器，存储器以及存储在所述存储器中的目标跟踪程序，所述目标跟踪程序被所述处理器运行时，实现如权利要求1-5中任一项所述的目标跟踪方法的步骤。

8.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有目标跟踪程序，所述目标跟踪程序被处理器运行时实现如权利要求1-5中任一项所述目标跟踪方法的步骤。