[发明专利]一种基于高斯混合模型的目标跟踪加速方法和系统

说明书

本发明涉及一种基于高斯混合模型的目标跟踪加速方法和系统，包括：获取具有待跟踪目标的图像信息，在图像信息中的目标候选区域提取特征向量，生成训练数据，训练高斯混合模型，使用高斯混合模型对特征向量的置信水平进行评估，得到特征向量的第一置信水平，同时根据当前所使用的观察模型对特征向量的置信水平进行评估，得到特征向量的第二置信水平；通过比较第一置信水平与第二置信水平，对观察模型或高斯混合模型进行更新。本发明通过高斯混合模型对特征向量进行置信水平评估，以减少对观察模型进行不必要的更新，达到提高视频跟踪算法实时跟踪的速度的目的。

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于高斯混合模型的目标跟踪加速方法和系统。

背景技术

单目标跟踪问题是计算机视觉的一个重要分支。单目标跟踪算法在许多领域均有应用，诸如：军事雷达，人机交互，异常监控等方面。单目标跟踪问题是在给定的一段时间的视频序列内定位一个物体(或人)的过程。该问题定义如下：向跟踪器输入视频第一帧中物体的包围盒，包围盒可以通过人工标注或物体检测算法获得。跟踪器没有关于该物体的先验知识，也没有对该物体的特征进行训练。再接下来的每一帧中，随着目标物体的移动，跟踪器需要给出目标物体的包围盒。单目标跟踪问题的解决方法已经形成了一个流程框架，该框架包括运动模型、特征提取、观察模型、结果整合等步骤。

其中的观察模型更新的部分是目标跟踪算法的关键之处。一个优秀的观察模型更新方法既可以提高目标跟踪的准确性，又可以保证目标跟踪的鲁棒性。目前常见的更新方法有两种，一种是当跟踪目标置信度小于阈值时更新观察模型；另一种是当跟踪目标的置信度和背景的置信度之间的差异小于阈值时更新观察模型。在目标跟踪过程中，当发生观察模型更新时，程序会准备大量的训练数据，并使用其对观察模型进行更新。观察模型用来计算候选目标的置信度，是一个追踪算法(追踪器)中最主要的部分。常见的一些观察模型有逻辑回归模型、支持向量机、结构化输出的支持向量机，以及近年来流行的卷积神经网络网络模型。然而，无论是哪种模型，频繁地对其进行更新，就意味着大量的训练过程，相当耗时。

一般而言，现有的目标跟踪方法速度缓慢，其原因在于模型更新部分的大量耗时。我们进一步研究发现，其中大量的更新是非必需的更新。因为更新策略的判断是相对固定的。如果可以动态的去调节模型更新的频率，就可以做到在保证目标跟踪的准确率的条件下，提高目标跟踪的运行速度。

发明内容

本发明通过减少不必要的观察模型更新，以达到提高视频跟踪算法实时跟踪的速度的目的。本发明能够实现，在保证跟踪算法准确率的条件下，使实时跟踪的速度大幅提高。

为达到上述目的，本发明提供一种基于高斯混合模型的模型更新方法，该方法具有一定的普适性，可以应用于任意一种满足上述框架的目标跟踪算法中。

具体地说，本发明公开了一种基于高斯混合模型的目标跟踪加速方法，其中包括：

步骤1、获取具有待跟踪目标的图像信息，在该图像信息中的目标候选区域提取特征向量，并对该特征向量进行降维处理，生成训练数据；

步骤2、使用该训练数据，训练高斯混合模型，并使用该高斯混合模型对该特征向量的置信水平进行评估，得到该特征向量的第一置信水平，同时根据当前目标跟踪算法所使用的观察模型对该特征向量的置信水平进行评估，得到该特征向量的第二置信水平；

步骤3、若该第一置信水平、该第二置信水平的线性组合结果小于预先设定的置信水平阈值，则判断该第一置信水平是否大于第一预设阈值且该第二置信水平小于第二预设阈值，若是则更新该观察模型；否则继续判断该第一置信水平是否小于第一预设阈值且该第二置信水平大于第二预设阈值，若是则更新该高斯混合模型；否则扩大该目标候选区域，再次进行跟踪。

该基于高斯混合模型的目标跟踪加速方法，其中该步骤3还包括：