[发明专利]基于先验信息的目标跟踪方法及系统

说明书

本发明提供一种基于先验信息的目标跟踪方法及系统，包括：基于训练集内图像的先验信息，根据图像中目标框与扰动框之间的对应关系得到目标模型；采用目标模型加载视频得到每帧图像；预估当前帧图像的目标位置，将其前一帧图像的目标位置设为当前帧图像的目标初始位置，以目标初始位置为初始点迭代计算当前帧图像的目标位置。通过已知跟踪目标得到其对应的先验信息，了解跟踪目标的各个姿态、光照、环境下的信息，有效利用目标先验信息，大大提高了目标跟踪的准确性；预估目标跟踪的初始位置，迭代计算当前帧图像的目标位置，显著提高了本发明目标跟踪的可靠性，从而具有很强的鲁棒性，快速地纠正了目标跟踪过程中出现的漂移现象。

技术领域

本发明涉及跟踪监控技术领域，特别是涉及一种基于先验信息的目标跟踪方法及系统。

背景技术

随着机器视觉与人工智能研究的不断深入，目标跟踪作为视频监控、人机交互、智慧城市等的基础技术受到研究人员的广泛关注。然而，由于目标的非刚体特性、遮挡、光照或帧缺失等复杂情况，长期准确稳定的进行目标跟踪具有比较大的难度和挑战性。

在实际跟踪过程中，许多被跟踪目标类别是已知的，例如人脸跟踪中的人脸，客流统计中头肩、人头等，已知类别的目标提供了很强的先验信息，这种类别的先验信息无疑对跟踪是很有帮助的，可以有效的解决跟踪中漂移问题。

目前的学术领域的大多数跟踪方法都是针对一般物体的跟踪，研究的是利用目标的在线信息进行跟踪，如online Boosting、CT、TLD等。这类算法一般通过第一帧图像初始化目标模型，并在跟踪过程中不断的更新目标模型，其优势在于可充分利用新的样本信息。但这类方法对目标的建模信息往往只有第1帧，没有充分的利用物体类别等先验信息，或者说没有对被跟踪目标进行全方位建模(即告诉算法这个目标侧面长什么样，光照较暗时长什么样等)，因此，在跟踪过程中，当目标的姿态，背景等发生变化时，很容易出现“漂移”现象，而且纠正不回来。虽然有点算法有在线学习步骤(即加入后续帧的信息对目标进行建模)，但学习步骤中正负样本的收集只是一种启发式的方法，例如假设当前时刻对目标的跟踪是正确的(这个假设本来就不一定正确)，然后将当前目标一定范围内(较近)的图片patch收集为正例，范围外(较远)的图片patch为负例，以此在线训练一个分类器对目标模型进行更新。这种启发式的方法并未解决对目标建模不充分的问题，长时间跟踪后慢慢的就会漂移到不是我们想要的目标。

然而，工程中常用的基于检测的跟踪方法虽然也会利用了先验信息，但一般采用分类方式，即用在上一帧目标的附近一定范围内检查每一个图片patch是否为目标类(暴力搜索方式)，采用上述方法不仅计算量大，如果为了满足实时性往往只能采用检测较简单的特征(如Haar等)，从而无法保证分类精度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于先验信息的目标跟踪方法及系统，用于解决现有技术中目标跟踪中出现的漂移问题。

为实现上述目的及其他相关目的，本发明提供一种基于先验信息的目标跟踪方法，包括：

基于训练集内图像的先验信息，根据图像中目标框与扰动框之间的对应关系得到目标模型；

采用所述目标模型加载视频得到每帧图像；

预估当前帧图像的目标位置，将其前一帧图像的目标位置设为当前帧图像的目标初始位置，以所述目标初始位置为初始点迭代计算当前帧图像的目标位置。

本发明还提供了一种基于先验信息的目标跟踪系统，包括：

模型训练模块，用于基于训练集内图像的先验信息，根据图像中目标框与扰动框之间的对应关系得到目标模型；

加载模块，用于采用所述目标模型加载视频得到每帧图像；