[发明专利]一种基于深度梯度的目标跟踪方法与系统

摘要

本发明公开了一种基于深度梯度的目标跟踪方法，通过对获取的待跟踪RGB‑D视频序列的第一帧进行标定，提取RGB图像的方向梯度直方图特征和深度图像的深度梯度信息；基于上述信息，对当前帧进行目标检测和目标跟踪，并根据检测结果和跟踪结果，进一步得到最终目标框；最后，对下一帧重复前述步骤且在每一帧处理后，对分类器模型进行选择性调整。相应地本发明还公开了一种对应的系统。通过执行本发明中的方法，有效解决了当前目标跟踪方法中存在的在背景与目标颜色接近、光照变化明显、遮挡等导致的跟踪错误或丢失的问题，大大提高了目标跟踪的鲁棒性，同时减少了训练模型的漂移问题，尤其适用于小速率目标跟踪的应用场合。

主权项

一种基于深度梯度的目标跟踪方法，其特征在于，所述方法包括：(1)获取待跟踪视频序列，包括RGB图像序列以及对应的深度图像序列；(2)对视频序列的第一帧进行标定，选取待跟踪的目标，给出目标位置所处的最小矩形框；(3)将步骤(2)中最小矩形框所选矩形区域设定为正样本，其余非所选矩形区域为负样本，针对所述正样本提取RGB图像的方向梯度直方图特征，训练支持向量机SVDD分类器；(4)根据步骤(1)中获取的所述深度图像序列，得到第k幅深度图像第i行第j列的深度梯度信息g_k(i,j)为：g_k(i,j)＝d_{k(i‑1,j‑1)}‑d_k(i,j)其中，d_k(i,j)为深度图像序列中第k幅深度图像第i行第j列的深度值；(5)针对当前帧进行目标检测：对当前帧在上一帧中最小矩形框1倍尺度范围内进行基于RGB图像的方向梯度直方图特征多尺度目标检测，得到对应的检测结果；(6)针对当前帧进行目标跟踪：根据步骤(4)得到的深度梯度信息g_k(i,j)，通过深度梯度流方法进行目标跟踪，得到对应的跟踪结果；(7)根据步骤(5)和(6)中分别得到的检测结果和跟踪结果，得到当前帧的目标可信度集合C；(8)在目标可信度集合C中选取最大目标可信度C_max，并根据选取的最大目标可信度C_max进一步获取候选目标框矩阵bb_d中对应的元素继而，得到最终目标框bb_max为:${\mathrm{bb}}_{\max }=\frac{C_{\max }}{C_{\max }+C_{de}}{\mathrm{bb}}_{d_i}+\frac{C_{de}}{C_{\max }+C_{de}}{\mathrm{bb}}_{de};$(9)判断当前帧的最大目标可信度C_max是否大于第二阈值θ₁，如果C_max>θ₁，则认为跟踪结果正确，返回当前帧最终目标框bb_max，同时以目标框bb_max为正样本更新分类器模型；如果θ₂<C_max<θ₁，其中θ₂为第三阈值，返回当前最终目标框bb_max，则保持分类器模型不变；如果C_max<θ₂，则返回无跟踪目标；C_de为目标框可信度,bb_de为跟踪目标框；(10)对下一帧图像重复步骤(5)‑(9)。