[发明专利]一种基于深度梯度的目标跟踪方法与系统

权利要求书

1.一种基于深度梯度的目标跟踪方法，其特征在于，所述方法包括：

(1)获取待跟踪视频序列，包括RGB图像序列以及对应的深度图像序列；

(2)对视频序列的第一帧进行标定，选取待跟踪的目标，给出目标位置所处的最小矩形框；

(3)将步骤(2)中最小矩形框所选矩形区域设定为正样本，其余非所选矩形区域为负样本，针对所述正样本提取RGB图像的方向梯度直方图特征，训练支持向量机SVDD分类器；

(4)根据步骤(1)中获取的所述深度图像序列，得到第k幅深度图像第i行第j列的深度梯度信息g_k(i,j)为：

g_k(i,j)＝d_k(i-1,j-1)-d_k(i,j)

其中，d_k(i,j)为深度图像序列中第k幅深度图像第i行第j列的深度值；

(5)针对当前帧进行目标检测：对当前帧在上一帧中最小矩形框1倍尺度范围内进行基于RGB图像的方向梯度直方图特征多尺度目标检测，得到对应的检测结果；

(6)针对当前帧进行目标跟踪：根据步骤(4)得到的深度梯度信息g_k(i,j)，通过深度梯度流方法进行目标跟踪，得到对应的跟踪结果；

(7)根据步骤(5)和(6)中分别得到的检测结果和跟踪结果，得到当前帧的目标可信度集合C；

(8)在目标可信度集合C中选取最大目标可信度C_max，并根据选取的最大目标可信度C_max进一步获取候选目标框矩阵bb_d中对应的元素继而，得到最终目标框bb_max为:

(9)判断当前帧的最大目标可信度C_max是否大于第二阈值θ₁，如果C_max>θ₁，则认为跟踪结果正确，返回当前帧最终目标框bb_max，同时以目标框bb_max为正样本更新分类器模型；如果θ₂<C_max<θ₁，其中θ₂为第三阈值，返回当前最终目标框bb_max，则保持分类器模型不变；如果C_max<θ₂，则返回无跟踪目标；C_de为目标框可信度,bb_de为跟踪目标框；

(10)对下一帧图像重复步骤(5)-(9)。

2.如权利要求1所述的方法，其特征在于，所述检测结果包括所有可信度大于第一阈值的候选目标框矩阵bb_d及其对应的可信度矩阵C_d，其中，所述第一阈值为通过实验整定选取。

3.如权利要求2所述的方法，其特征在于，所述跟踪结果包括跟踪目标框bb_de及将其作为支持向量机SVDD分类器输入而进一步得到的目标框可信度C_de。

4.如权利要求3所述的方法，其特征在于，所述当前帧的目标可信度集合C为:

C＝C_d+αc_der(bb_de,bb_d)

其中，r(bb_de,bb_d)为候选目标框矩阵bb_d中任一元素和跟踪目标框bb_de的尺度重合率，α为重合系数。