[发明专利]目标跟踪方法、装置和设备及计算机存储介质

说明书

本发明公开了一种目标跟踪方法、装置和设备及计算机存储介质，属于计算机技术领域，用于提高跟踪结果的准确性。该方法包括：从当前帧中获取N个候选目标区域，并从N个候选目标区域中提取出M类视觉特征的特征向量，构成M类视觉特征的特征向量矩阵；基于N个候选目标区域之间的相关性以及M类视觉特征之间的相关性，滤除特征向量矩阵中和目标模板空间中的异常特征的特征向量矩阵；确定在满足行稀疏约束和低秩约束条件下，使得当前帧的特征向量矩阵与超完备字典之间的重构误差之和最小的第一联合稀疏表示系数矩阵；将第一联合稀疏表示系数矩阵中与超完备字典之间的重构误差值最小的列所对应的候选目标区域确定为当前帧的跟踪结果。

技术领域

本发明涉及计算机技术领域，特别涉及一种目标跟踪方法、装置和设备及计算机存储介质。

背景技术

视觉目标跟踪技术是一种模拟人眼进行目标运动估计以及跟踪方面的能力的技术，广泛应用于智能监控、辅助驾驶、人机交互、智能交通系统以及机器人视觉导航等生活中的各个方面，同时，目标跟踪在军事领域也具有非常重要的应用前景，例如应用于无人机自主导航以及成像制导系统。

由于对图像损坏以及部分遮挡表现出较好的鲁棒性，基于稀疏表示的视觉跟踪算法近年来成为视觉目标跟踪领域的热门研究方向。具体而言，目前的基于稀疏表示的视觉跟踪算法一般有两种方式，第一种方式为通过提取局部对数欧式距离协方差矩阵(LocalLog-Euclidean Covariance Matrix，L²ECM)特征来对跟踪目标的外观进行描述，但是L²ECM特征较为容易受到环境变化的影响，在较为复杂的环境下的跟踪效果不理想，另一种方式为基于多特征多任务联合稀疏表达(Multi-Task Multi-View Tracker，MTMVT)的算法，该算法使用多种视觉特征对目标外观进行特征描述，并且后续的稀疏学习过程中都是基于所有视觉特征进行的，但是，在实际环境中并不是所有特征都是可靠的，例如当目标区域受到剧烈光照变化影响时，灰度特征对目标外观描述是不可靠的，不可靠特征将会影响联合稀疏系数矩阵的求解精度，进而导致跟踪器的漂移，使得跟踪效果不佳。

发明内容

本发明实施例提供一种目标跟踪方法、装置和设备及计算机存储介质，用于通过滤除不可靠特征提升联合稀疏系数矩阵的准确性，进而提高跟踪结果的准确性。

第一方面，提供一种目标跟踪方法，包括：

根据上一帧的跟踪结果，从当前帧中获取N个候选目标区域，并从所述N个候选目标区域中提取出M类视觉特征的特征向量，构成所述M类视觉特征的特征向量矩阵，其中，一个特征向量矩阵为由所述N个候选目标区域中提取的同一视觉特征的特征向量构成的；

基于所述N个候选目标区域之间的相关性，以及所述M类视觉特征之间的相关性，确定所述M类视觉特征中的异常特征，并滤除当前帧的特征向量矩阵中和超完备字典包括的目标模板空间中的异常特征的特征向量矩阵，其中，所述超完备字典由所述目标模板空间与单位矩阵组成，所述目标模板空间为用于表征跟踪目标的特征向量矩阵集合；

确定在满足行稀疏约束和低秩约束条件下，使得当前帧的特征向量矩阵与超完备字典之间的重构误差之和最小的第一联合稀疏表示系数矩阵；

将所述第一联合稀疏表示系数矩阵中，与所述超完备字典之间的重构误差值最小的列所对应的候选目标区域，确定为当前帧的跟踪结果。

在该方法中，在获取当前帧的特征向量矩阵集合之后，基于各个视觉特征之间的相关性，将M类视觉特征中的异常特征滤除，再基于剩余的视觉特征的特征向量矩阵再次进行稀疏学习，从而获得联合稀疏表示系数矩阵，从而基于联合稀疏表示系数矩阵从候选目标区域中确定出跟踪结果。其中，由于在该方法中已将异常特征，即不可靠特征进行了滤除，从而使得剩余的视觉特征对于跟踪目标的描述均是可靠的，进一步提升了后续的联合稀疏表示系数矩阵的求解精度，进而提高最终得到的跟踪结果的准确性。