[发明专利]一种物体识别方法及装置

权利要求书

1.一种物体识别方法，包括如下步骤：

步骤S1，从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间；

步骤S2，读取当前帧图片，判断上一帧中跟踪目标是否丢失；

步骤S3，若判断结果为跟踪目标丢失，则利用上一次训练的跟踪器对上一帧目标丢失的位置及其周围若干位置的图片样本进行提取，并获得各位置的分数图，进入步骤S5；

步骤S4，若判断结果为跟踪目标未丢失，则利用上一帧目标的位置提取当前帧的图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；

步骤S5，对各位置的样本进行分数评估，并判断分数图是否理想，根据判断结果进入步骤S6或进入下一帧后返回步骤S2；

步骤S6，更新样本权重，更新目标位置，进行目标缩放比例预测，并更新比例；

步骤S7，将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器，返回步骤S2；所述将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器，具体为：步骤S700，将本帧的样本进行加权；步骤S701，判断样本空间是否存满样本；步骤S702，若样本空间已满，则判断新样本是以融合老样本插入新样本的方式存入样本空间，还是以与老样本融合的方式存入样本空间；步骤S703，若样本空间未满，则直接在老样本后放入新样本；步骤S704，根据预设的训练间隔，利用样本空间训练跟踪器。

2.如权利要求1所述的一种物体识别方法，其特征在于，步骤S1进一步包括：

步骤S100，获取初始帧图片中跟踪目标的位置和尺寸信息；

步骤S101，提取跟踪目标区域的HOG特征和CN特征，并对提取的目标特征进行预处理；

步骤S102，根据预处理后的目标特征训练跟踪器和降维矩阵，并对目标特征进行降维处理；

步骤S103，将降维后的目标特征存入样本空间。

3.如权利要求1所述的一种物体识别方法，其特征在于：于步骤S3和S4中，提取样本的操作包括对跟踪目标区域的HOG特征和CN特征提取，并对提取结果进行预处理。

4.如权利要求1所述的一种物体识别方法，其特征在于，步骤S5进一步包括：

步骤S500，利用平均峰值相关能量对分数图进行评估，并得到能量值；

步骤S501，若上一帧目标没有丢失，则本次对评估进行的判断是能量值和分数图峰值相对于上一帧的变化情况是否满足预设定的条件，以及能量值和分数图的峰值是否满足预设定的条件；

步骤S502，若上一帧目标丢失，则本次对评估进行的判断是能量值和分数图的峰值是否满足预设定的条件；

步骤S503，评估结果的理想程度分为极好、较好、较差和极差，当最终结果为较差以上时，则进入步骤S6；当最终结果为极差时则认为本帧的跟踪目标丢失，进入下一帧，并返回至步骤S2。

5.如权利要求1所述的一种物体识别方法，其特征在于：于步骤S3中，以上一帧图片的跟踪目标的位置以及其周围上、下、左、右、左上、左下、右上、右下位置按顺序提取样本。

6.如权利要求5所述的一种物体识别方法，其特征在于：于步骤S3中，将各样本与上一帧跟踪器进行比对，得到各位置样本的分数图。

7.如权利要求1所述的一种物体识别方法，其特征在于，步骤S6进一步包括：

步骤S600，根据步骤S5中的评估结果分配样本权重；

步骤S601，利用牛顿法对分数图进行迭代优化，以得到最佳的分数图，分数图中的最大值所在位置为目标位置；

步骤S603，使用PCA降维进行目标缩放比例预测。

8.如权利要求1所述的一种物体识别方法，其特征在于：于步骤S702中，若样本空间已满，计算新样本与样本空间中所有的老样本的相似程度，如果信样本与老样本的相似程度高过一定的阈值，则与老样本融合；否则，计算样本空间中所有老样本之间的相似程度，选择两个相似度最高的样本进行融合，然后把空出来的位置插入新样本。

9.一种物体识别装置，包括

初始帧处理单元，用于从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间；

丢失判断单元，用于读取当前帧图片，判断上一帧中跟踪目标是否丢失；

丢失找回单元，用于所述丢失判断单元的判断结果为跟踪目标丢失，利用上一次训练的跟踪器对上一帧图片跟踪目标的位置及其周围若干位置的样本进行评估，并获得各位置的分数图；

当前帧跟踪目标位置获取单元，用于所述丢失判断单元的判断结果为跟踪目标未丢失，则根据上一帧图片的跟踪目标的位置提取当前帧图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；

跟踪结果评估单元，用于对分数图进行评估，并判断目标是否丢失；

跟踪结果更新单元，用于更新样本权重，更新跟踪目标位置，进行目标缩放比例预测，并更新目标比例；

跟踪器训练单元，用于将新样本以样本权重加权更新至样本空间，并根据预设的间隔用样本空间训练跟踪器，返回丢失判断单元；所述将新样本以样本权重加权更新至样本空间，并根据预设的间隔用样本空间训练跟踪器，具体为：用于将本帧的样本进行加权；判断样本空间是否存满样本；若样本空间已满，则判断新样本是以融合老样本插入新样本的方式存入样本空间，还是以与老样本融合的方式存入样本空间；若样本空间未满，则直接在老样本后放入新样本；

根据预设的训练间隔，利用样本空间训练跟踪器。