[发明专利]一种计算目标跟踪过程中目标形变或遮挡程度的方法

说明书

技术领域

本发明涉及电子学技术领域，尤其涉及一种计算目标跟踪过程中目标形变或遮挡程度的方法。

背景技术

目标跟踪是一项融合图像处理、模式识别、概率论及随机过程、泛函及优化和偏微分方程等多学科的复杂课题，其一直是计算机视觉领域的重要研究课题，被广泛应用在智能人机交互、医疗诊断、安防监控、汽车智能交通等方面。

现有的目标跟踪方法很多，如经典的相关跟踪算法、基于不变性特征（SIFT）匹配的目标跟踪方法、基于均值漂移理论的目标跟踪方法、基于粒子滤波的目标跟踪方法等等，这些方法都是关注在一些特定的、或者是复杂的背景下对特定目标能够跟踪上即完成任务，而要想实现长期稳定的目标跟踪，就必须根据具体情况实时更新目标模型，并对目标在跟踪过程中出现的部分形变和部分遮挡等情况要有很好的鲁棒性。

因此，需要提供一种方法，为更新目标提供依据，从而避免将变化的背景以及遮挡物更新到目标模型中，使目标跟踪更加稳定。

发明内容

本发明的目的是提供一种计算目标跟踪过程中目标形变或遮挡程度的方法，其能够稳定判断出目标的遮挡情况以及目标的形变等情况，可以作为是否进行智能学习更新目标的依据。

为了实现上述目的，本发明的技术方案如下：

一种计算目标跟踪过程中目标形变或遮挡程度的方法包括如下步骤：

步骤1、将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y＝Ax+n+s，其中x为系数，n为高斯误差，s为拉普拉斯误差，求取一阶线性回归y＝Ax+n+s中的A；

步骤2、计算拉普拉斯误差s：采用迭代方法进行求解，给定拉普拉斯误差估计值则系数x的估计值再用计算得到的求得s^=max(|y-Ax^|-λ,0)sgn(y-Ax^),]]>其中，λ=2σNσL,]]>σ_N和σ_L分别为高斯误差和拉普拉斯误差的方差，如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代；

步骤3、计算在步骤2得到的拉普拉斯误差s中，其非零值占整个s向量中的比重，即得到目标形变或遮挡程度

本发明的有益效果是：本发明的方法能够稳定判断出目标的遮挡情况以及目标的形变等情况，可以作为是否进行智能学习更新目标的依据，也可以以此来修正目标跟踪结果，并为轨迹规划等提供有效信息，对实现长期稳定的目标跟踪有重要的理论意义和应用价值。

附图说明

图1为本发明计算目标跟踪过程中目标形变或遮挡程度的方法流程图。

图2为运用本发明方法后的实验结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

图1示出了本发明计算目标跟踪过程中目标形变或遮挡程度的方法流程图。本发明方法可以用于任何带有学习、更新模块的智能目标跟踪方法或系统中。