[发明专利]一种基于特征距离的轨迹后处理方法

说明书

本发明公开了一种基于特征距离的轨迹后处理方法，涉及视频跟踪技术领域。包括以下步骤：获取有序的若干张图片组成的轨迹；提取每一张图片的目标特征；计算相邻两张图片的特征距离；取均值以下的特征距离对应的图片按顺序排列构成新的轨迹。本发明避免了轨迹信息冗余，更简约表征轨迹的信息，并且能够反映原始轨迹的大部分信息。

技术领域

本发明涉及视频跟踪技术领域，尤其涉及一种基于特征距离的轨迹后处理方法。

背景技术

视频跟踪技术是指计算机对视频序列中的目标状态进行持续推断的过程，其任务在于通过在视频的每一帧中定位目标来生成目标的运动轨迹。跟踪目标具有多样性，是由于需求不同，视频跟踪的对象多样，视频跟踪的对象可能是行人、车辆等。特别是在跟踪行人过程中，由于光照、姿态、摄像头角度及距离远近，目标在跟踪过程中可能发生尺度变化、形状变化以及外观变化。最终目标形成的轨迹图片大小、姿态可能参差不齐且轨迹图片数量较大，因此需要后期对轨迹再处理。在统计学中，异常值也称离群值，是指一组测定值中与平均值的偏差超过两倍标准差的测定值。一般情况下，在处理数据时，应剔除异常的值。但在视频跟踪时异常值反而能更好地表征一定的信息，而现如今还没有一种采用异常值表征视频跟踪过程中轨迹信息的技术方案。

发明内容

本发明的目的在于提供一种基于特征距离的轨迹后处理方法，避免了轨迹信息冗余，更简约表征轨迹的信息，并且能够反映原始轨迹的大部分信息。

为实现上述目的，本发明提供如下技术方案：

一种基于特征距离的轨迹后处理方法，其特征在于，包括以下步骤：

S1，获取有序的若干张图片组成的轨迹；

S2，提取每一张图片的目标特征；

S3，计算相邻两张图片的特征距离；

S4，取均值以下的特征距离对应的图片按顺序排列构成新的轨迹。

进一步的，所述S2中，图片的目标特征采用深度残差网络提取。

进一步的，所述S3的特征距离计算方法如下：

其中，x^k为第k张图片的目标特征；x^k+1为第k+1张图片的目标特征；||.||₂为向量的2范数；d(||x^k-x^k+1||₂)为目标特征x^k和目标特征x^k+1的特征距离。

进一步的，所述S3之后还包括特征距离筛选，将特征距离与给定的距离阈值相比较，若特征距离小于给定的距离阈值，判定对应的两张相邻图片中的目标不一致，并删除该特征距离。

进一步的，所述给定的距离阈值为0.5。

进一步的，所述S4的具体步骤如下：

S41，求筛选之后的特征距离的平均值；

S42，选取小于平均值的特征距离及对应的两张相邻图片；

S43，对选取出的所有图片进行去冗，删除重复的图片；

S44，将剩余的图片按顺序进行排列，构成新的轨迹。

与现有技术相比，本发明的有益效果是：本发明计算相邻两张图片的特征距离作为异常值判断的标准，仅保留异常值对应的图片构成新的轨迹用以反映原始轨迹的大部分信息，同时避免了原始轨迹的信息冗余，更简约表征轨迹的信息。

附图说明

图1为本发明的整体原理框图。