CN101339664B - 一种目标跟踪方法及系统 - Google Patents

Abstract

本发明公开了一种目标跟踪方法及系统，其中，方法包括：采集跟踪目标的视频图像；在未建立跟踪目标的目标模型时，对所述视频图像进行分析，获取所述视频图像中跟踪目标的完整目标对应的区域，根据所获取的完整目标对应的区域，建立跟踪目标的目标模型；在已建立跟踪目标的目标模型后，对所述视频图像进行分析，获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域；基于兴趣点检测和局部图像特征提取技术按照金字塔匹配算法，分别将每个候选目标区域的特征与所述目标模型进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域。本发明提供的技术方案能够提高跟踪的成功率。

Description

一种目标跟踪方法及系统

技术领域

本发明涉及目标跟踪技术，尤其涉及一种存在遮挡情况下的目标跟踪方法及系统。

背景技术

目标跟踪是计算机视觉的重要研究领域，在视频监控、人机交互、出入控制等很多场合下都有着重要的应用。

遮挡是指运动目标的一部分甚至全部被背景中的物体挡住了，在图像中不可见。存在遮挡情况下的目标跟踪是目标跟踪技术的主要挑战之一，现有技术中尚不能很好的解决存在遮挡时的目标跟踪问题，因此跟踪过程中很容易失去目标而导致跟踪失败。

发明内容

有鉴于此，本发明中一方面提供一种目标跟踪方法，另一方面提供一种目标跟踪系统，以提高目标跟踪的成功率。

本发明所提供的目标跟踪方法，包括：

采集跟踪目标的视频图像；

在未建立跟踪目标的目标模型时，对所述视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域，在所述完整目标对应的区域内进行兴趣点检测、并得到N个兴趣点，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型；

在已建立跟踪目标的目标模型后，对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域、并对所有共K个候选目标区域中的第k个候选目标区域，在所述候选目标区域内进行兴趣点检测、并得到M_k个兴趣点，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征；

分别将每个候选目标区域的特征与所述目标模型按照金字塔匹配算法进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域；

其中，N、K、k和M_k均为大于0的整数，且M_k≤N，1≤k≤K；

所述分别将每个候选目标区域内的特征与所述目标模型按照金字塔匹配算法进行匹配包括：

对第k个候选目标区域的特征

和所述目标模型

构造一个从粗到细或从细到粗的多层粒度空间、标记为l＝0，1，…，L，其中，P_i和Q_i分别为对应一个兴趣点的设定维数的局部图像特征向量；

在第l个粒度层，将所述局部图像特征向量的每维分别以n^l为步长划分为l_j个特征单元，用直方图来统计每个特征单元内的特征分布、并得到候选目标区域图像第l个粒度层第j个特征单元的特征个数

和目标模型第l个粒度层第j个特征单元的特征个数

0≤j≤l_j；

计算所述

和

在第l个粒度层的匹配度

并得到 $M(H_{F_k}^l,H_{F_0}^l)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\min (H_{F_k}^l\left(j\right),H_{F_0}^l\left(j\right));$

计算所述

和

在所述多层粒度空间的匹配度K(F_k，F₀)、并得到 $K(F_k,F_0)=\frac{1}{n^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{n^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l);$

将所述K(F_k，F₀)作为所述第k个候选目标区域的特征与所述目标模型的匹配结果；

其中，n为大于1的正整数。

该方法进一步包括：在所述匹配结果最大的候选目标区域为跟踪目标的完整目标对应的区域时，利用所述匹配结果最大的候选目标区域的特征更新所述目标模型。

所述对视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域为：对所述视频图像进行目标检测或根据所述视频图像中的手工标定，获取所述视频图像中跟踪目标的完整目标对应的区域。

所述对视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置为：根据所述视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置。

所述根据视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置为：根据视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，利用一阶自回归动态模型或高斯随机游走模型估计得到当前图像中跟踪目标的目标区域可能存在的位置。

本发明所提供的目标跟踪系统，包括：

采集跟踪目标的视频图像的模块；

在未建立跟踪目标的目标模型时，对所述图像采集单元采集到的视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域的模块，在所述完整目标对应的区域内进行兴趣点检测、并得到N个兴趣点的模块，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征的模块，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型的模块；

在已建立跟踪目标的目标模型后，对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置的模块，将所述目标区域可能存在的位置作为候选目标区域、并对所有共K个候选目标区域中的第k个候选目标区域的模块，在所述候选目标区域内进行兴趣点检测、并得到M_k个兴趣点的模块，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征的模块，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征的模块；

分别将每个候选目标区域的特征与所述目标模型按照金字塔匹配算法进行匹配的模块，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域的模块；

其中，N、K、k和M_k均为大于0的整数，且M_k≤N，1≤k≤K；

所述分别将每个候选目标区域内的特征与所述目标模型按照金字塔匹配算法进行匹配的模块包括：

对第k个候选目标区域的特征

和所述目标模型

构造一个从粗到细或从细到粗的多层粒度空间、标记为l＝0，1，…，L的子模块，其中，P_i和Q_i分别为对应一个兴趣点的设定维数的局部图像特征向量；

在第l个粒度层，将所述局部图像特征向量的每维分别以n^l为步长划分为l_j个特征单元的子模块，用直方图来统计每个特征单元内的特征分布、并得到候选目标区域图像第l个粒度层第j个特征单元的特征个数

和目标模型第l个粒度层第j个特征单元的特征个数

的子模块，0≤j≤l_j；

计算所述

和

在第l个粒度层的匹配度

并得到 $M(H_{F_k}^l,H_{F_0}^l)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\min (H_{F_k}^l\left(j\right),H_{F_0}^l\left(j\right))$ 的子模块；

计算所述

和

在所述多层粒度空间的匹配度K(F_k，F₀)、并得到 $K(F_k,F_0)=\frac{1}{n^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{n^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l)$ 的子模块；

将所述K(F_k，F₀)作为所述第k个候选目标区域的特征与所述目标模型的匹配结果的子模块；

其中，n为大于1的正整数。

所述对所述图像采集单元采集到的视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域的模块包括：对所述视频图像进行目标检测或根据所述视频图像中的人工标定，获取所述视频图像中跟踪目标的完整目标对应的区域的子模块。

所述对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置的模块包括：根据所述视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置的子模块。

从上述方案可以看出，本发明中在进行目标的跟踪匹配时，通过在得到的目标区域中提取兴趣点，并根据兴趣点获取局部图像特征，得到由局部图像特征集合构成的目标模型和候选目标区域图像，然后再将二者按照金字塔匹配算法进行匹配，从而完成了目标的跟踪过程。众所周知，在存在遮挡的情况下，候选目标区域中的兴趣点通常小于或等于完整目标对应的区域中的兴趣点，但本发明中基于兴趣点检测和金字塔匹配算法的跟踪匹配，不会因为匹配对象间的兴趣点不同而匹配失败，因此解决了存在遮挡情况的人脸跟踪问题，提高了目标跟踪的成功率。

附图说明

图1为本发明实施例中人脸跟踪方法的示例性流程图；

图2为本发明实施例中人脸跟踪系统的示例性结构图；

图3为图2所示系统中目标模型建立单元的内部结构图；

图4为图2所示系统中目标区域图像获取单元的内部结构图；

图5为图2所示系统中目标匹配单元的内部结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明进一步详细说明。

图1为本发明实施例中人脸跟踪方法的示例性流程图。如图1所示，该流程包括如下步骤：

步骤101，采集跟踪目标的视频图像。

步骤102，判断当前是否已经建立跟踪目标的目标模型，如果没有，则执行步骤103；否则，执行步骤104。

步骤103，对所述视频图像进行分析，获取所述视频图像中跟踪目标的完整目标对应的区域，根据所获取的完整目标对应的区域，建立跟踪目标的目标模型。

本步骤中，可通过对跟踪目标的视频图像进行目标检测或手工标定，得到视频图像中跟踪目标的完整目标对应的区域。

此外，建立跟踪对象的目标模型的过程可以是：在完整目标对应的区域内进行兴趣点检测(Interest Point Detection)，得到N个兴趣点，如{q₀，q₁，…，q_N}，以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，该局部图像特征的范围大小可根据实际需要进行设定，然后将这N个兴趣点对应的局部图像特征所构成的局部图像特征集合{Q₀，Q₁，…，Q_N}，即

作为跟踪目标的目标模型。其中，Q_i为对应一个兴趣点的局部图像特征向量，该向量具有设定的维数，N为大于0的整数。

其中，兴趣点检测技术是一种提取图像中“显著“点的技术，具体实现时，可采用现有技术中的多种算子进行兴趣点检测并提取局部图像特征，例如，SIFT(尺度不变特征变换)算子、Harris-Laplace(哈里斯-拉普拉斯)算子等。这些算子可以提取图像中对图像缩放、旋转甚至仿射变换都保持不变的局部图像特征，在存在遮挡的情况下，这些局部图像特征对于目标跟踪就显得尤其重要了。

步骤104，对所述视频图像进行分析，获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域。

步骤105，分别将每个候选目标区域与目标模型进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域。

本实施例中，为了与步骤103中所描述的目标模型进行匹配，可首先在每个候选目标区域内进行兴趣点检测，并提取每个兴趣点周围的局部图像特征，将各兴趣点对应的局部图像特征构成的集合作为各候选目标区域的特征与目标模型进行匹配。

例如：假设共有K个候选目标区域，则以其中的任一个候选目标区域，如第k个候选目标区域为例，可在该第k个候选目标区域内进行兴趣点检测，得到M_k个兴趣点，如

以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合即

作为所述候选目标区域的特征。其中，P_i为对应一个兴趣点的具有设定维数的局部图像特征向量，K、k和M_k均为大于0的整数，且M_k≤N，1≤k≤K。

基于上述的兴趣点检测及局部图像特征的提取，本步骤中在将候选目标区域的特征与目标模型进行匹配时，可按照金字塔匹配算法进行匹配。金字塔匹配的核心思想是在多层次特征空间中寻找特征点之间的对应关系。具体来说，首先将特征空间按照由粗到细或由细到粗的原则划分成多层的粒度空间。然后，在某个具体的粒度层划分多个特征单元，如果两个特征落入同一个特征单元中，则认为两个特征在该层中匹配。最后将多层空间中得到的匹配加权起来就得到两个集合的特征匹配指数。加权过程中，在细粒度层得到的匹配将比粗粒度层得到的匹配拥有更大的权值。金字塔匹配用在跟踪问题中的优点在于较低的复杂度，同时和其他匹配方法相比，未找到对应关系的特征点不会对匹配结果产生干扰，这对有遮挡发生时或者跟踪过程中部分特征点检测不稳定的情况有较好的鲁棒性。本实施例中的具体实现过程可如下所示：

对每个候选目标区域的特征和所述目标模型，构造一个从粗到细或从细到粗的多层粒度空间。例如，对第k个候选目标区域的特征

和所述目标模型构造一个从粗到细或从细到粗的多层粒度空间，假设标记为l＝0，1，…，L。

在每个粒度层，对应候选目标区域的特征和所述目标模型所包含的局部图像特征向量的每维划分多个特征单元，用直方图来统计每个特征单元内的特征分布，得到该候选目标区域图像每个粒度层各特征单元内的特征个数和目标模型每个粒度层各特征单元内的特征个数。例如，在第l个粒度层，可以2^l为步长划分l_j个特征单元，用直方图来统计每个特征单元内的特征分布时，得到候选目标区域图像第l个粒度层第j个特征单元的特征个数

和目标模型第l个粒度层第j个特征单元的特征个数

0≤j≤l_j。其中，步长的选择可以有多种方式，例如，在第l个粒度层，还可以n^l为步长进行划分，其中，n为大于1的正整数，可见，2^l为n＝2时的一个特例。

之后，对所述候选目标区域图像每个粒度层各特征单元内的特征个数和目标模型每个粒度层各特征单元内的特征个数进行匹配，之后，得到该候选目标区域的特征与所述目标模型的匹配结果。例如，可首先计算每个粒度层的匹配度，以第l个粒度层为例，则

和

在第l个粒度层的匹配度

为： $M(H_{F_k}^l,H_{F_0}^l)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\min (H_{F_k}^l\left(j\right),H_{F_0}^l\left(j\right)).$ 然后计算所有粒度层的匹配度，则

和

在所述多层粒度空间的匹配度K(F_k，F₀)为： $K(F_k,F_0)=\frac{1}{2^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{2^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l),$ 计算得到的K(F_k，F₀)即为第k个候选目标区域的特征与目标模型的匹配结果。其中，当以n^l为步长划分特征单元时， $K(F_k,F_0)=\frac{1}{n^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{n^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l).$

进一步地，该流程中还可包括如下步骤：

步骤106，判断匹配结果最大的候选目标区域是否为跟踪目标的完整目标对应的区域，如果是，则执行步骤107；否则，结束当前流程。

步骤107，利用匹配结果最大的候选目标区域的特征更新目标模型。

以上对本发明实施例中的目标跟踪方法进行了详细描述，下面再对本发明实施例中的目标跟踪系统进行详细描述。

图2为本发明实施例中目标跟踪系统的示例性结构图。如图2所示，该系统包括：图像采集单元、目标模型建立单元、目标区域图像获取单元和目标匹配单元。

其中，图像采集单元用于采集跟踪目标的视频图像。

目标模型建立单元用于在未建立跟踪目标的目标模型时，对所述图像采集单元采集到的视频图像进行分析，获取所述视频图像中跟踪目标的完整目标对应的区域，根据所获取的完整目标对应的区域，建立跟踪目标的目标模型。具体实现时，可通过对跟踪目标的视频图像进行目标检测或根据所述视频图像中的手工标定，得到视频图像中跟踪目标的完整目标对应的区域。建立目标模型时，可在上述完整目标对应的区域内进行兴趣点检测，得到N个兴趣点，以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型。

目标区域图像获取单元用于在已建立跟踪目标的目标模型后，对所述视频图像进行分析，获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域。为了与前面所描述的目标模型进行匹配，可对所有共K个候选目标区域中的每个候选目标区域，如第k(1≤k≤K)个候选目标区域，在所述候选目标区域内进行兴趣点检测，得到M_k(M_k≤N)个兴趣点，以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征。

目标匹配单元用于分别将每个候选目标区域的特征与所述目标模型按照金字塔匹配算法进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域。进一步地，在匹配结果最大的候选目标区域为跟踪目标的完整目标对应的区域时，可将该匹配结果最大的候选目标区域的特征发送给目标模型建立单元以更新所述目标模型。

具体实现时，目标模型建立单元的内部结构可有多种实现形式，图3为其中的一种内部结构图示意图。如图3所示，该目标模型建立单元可包括：目标区域获取子单元、兴趣点检测子单元和目标模型生成子单元。

其中，目标区域获取子单元用于在未建立跟踪目标的目标模型时，对所述视频图像进行目标检测或根据所述视频图像中的人工标定，获取所述视频图像中跟踪目标的完整目标对应的区域。

兴趣点检测子单元用于在所述跟踪目标的完整目标对应的区域内进行兴趣点检测，得到N个兴趣点。

目标模型生成子单元用于以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型。

具体实现时，目标区域图像获取单元的内部结构可有多种实现形式，图4为其中的一种内部结构图示意图。如图4所示，该目标区域图像获取单元可包括：候选目标区域获取子单元、兴趣点检测子单元和目标区域图像生成子单元。

其中，候选目标区域获取子单元用于在已建立跟踪目标的目标模型后，对所述视频图像进行分析，获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域。

兴趣点检测子单元用于对所有共K个候选目标区域中的第k个候选目标区域，在所述候选目标区域内进行兴趣点检测，得到M_k个兴趣点。

目标区域图像生成子单元用于以每个兴趣点为中心，提取所述兴趣点对应的局部图像特征，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征。

其中，目标区域图像获取单元中的兴趣点检测子单元和目标模型建立单元中的兴趣点检测子单元在物理上可以为同一个单元。目标区域图像获取单元中的目标区域图像生成子单元和目标模型建立单元中的目标模型生成子单元在物理上可以为同一个单元。

具体实现时，目标匹配单元的内部结构可有多种实现形式，图5为其中的一种内部结构图示意图。如图5所示，该目标匹配单元可包括：粒度空间划分子单元、直方图特征统计子单元和匹配计算子单元。

其中，粒度空间划分子单元用于对每个候选目标区域的特征和所述目标模型，构造一个从粗到细或从细到粗的多层粒度空间。

直方图特征统计子单元用于在每个粒度层，对应所述候选目标区域的特征和所述目标模型所包含的局部图像特征向量的每维划分多个特征单元，用直方图来统计每个特征单元内的特征分布，得到候选目标区域图像每个粒度层各特征单元内的特征个数和目标模型每个粒度层各特征单元内的特征个数。

匹配计算子单元用于对所述候选目标区域图像每个粒度层各特征单元内的特征个数和目标模型每个粒度层各特征单元内的特征个数进行匹配，得到所述候选目标区域的特征与所述目标模型的匹配结果。

综上可见，本发明中提出了一种在存在遮挡的情况下进行目标跟踪的有效方法。该方法通过兴趣点检测技术(Interest Point Detection)获取初始的目标图像上的所有“显著“特征点并提取对应的局部图像特征，这些局部图像特征通常在图像缩放、旋转甚至仿射变换时都保持不变。然后将所有候选目标区域的兴趣点处提取的局部图像特征与目标模型对应的局部图像特征进行金字塔特征匹配，最后根据匹配结果选择相似程度最大的候选区域作为当前目标的区域，从而解决了遮挡情况下的目标跟踪问题。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种目标跟踪方法，其特征在于，该方法包括：

采集跟踪目标的视频图像；

在未建立跟踪目标的目标模型时，对所述视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域，在所述完整目标对应的区域内进行兴趣点检测、并得到N个兴趣点，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型；

在已建立跟踪目标的目标模型后，对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域、并对所有共K个候选目标区域中的第k个候选目标区域，在所述候选目标区域内进行兴趣点检测、并得到M_k个兴趣点，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征；

分别将每个候选目标区域的特征与所述目标模型按照金字塔匹配算法进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域；

其中，N、K、k和M_k均为大于0的整数，且M_k≤N，1≤k≤K；

所述分别将每个候选目标区域内的特征与所述目标模型按照金字塔匹配算法进行匹配包括：

对第k个候选目标区域的特征

和所述目标模型

构造一个从粗到细或从细到粗的多层粒度空间、标记为l＝0，1，…，L，其中，P_i和Q_i分别为对应一个兴趣点的设定维数的局部图像特征向量；

在第l个粒度层，将所述局部图像特征向量的每维分别以n^l为步长划分为l_j个特征单元，用直方图来统计每个特征单元内的特征分布、并得到候选目标区域图像第l个粒度层第j个特征单元的特征个数

和目标模型第l个粒度层第j个特征单元的特征个数

0≤j≤l_j；

计算所述

和

在第l个粒度层的匹配度

并得到 $M(H_{F_k}^l,H_{F_0}^l)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\min (H_{F_k}^l\left(j\right),H_{F_0}^l\left(j\right));$

计算所述和

在所述多层粒度空间的匹配度K(F_k，F₀)、并得到 $K(F_k,F_0)=\frac{1}{n^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{n^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l);$

将所述K(F_k，F₀)作为所述第k个候选目标区域的特征与所述目标模型的匹配结果；

其中，n为大于1的正整数。

2.如权利要求1所述的方法，其特征在于，该方法进一步包括：在所述匹配结果最大的候选目标区域为跟踪目标的完整目标对应的区域时，利用所述匹配结果最大的候选目标区域的特征更新所述目标模型。

3.如权利要求1所述的方法，其特征在于，所述对视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域为：对所述视频图像进行目标检测或根据所述视频图像中的手工标定，获取所述视频图像中跟踪目标的完整目标对应的区域。

4.如权利要求1所述的方法，其特征在于，所述对视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置为：根据所述视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置。

5.如权利要求4所述的方法，其特征在于，所述根据视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置为：根据视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，利用一阶自回归动态模型或高斯随机游走模型估计得到当前图像中跟踪目标的目标区域可能存在的位置。

6.一种目标跟踪系统，其特征在于，该系统包括：

采集跟踪目标的视频图像的模块；

在未建立跟踪目标的目标模型时，对所述图像采集单元采集到的视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域的模块，在所述完整目标对应的区域内进行兴趣点检测、并得到N个兴趣点的模块，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征的模块，将所述N个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述跟踪目标的目标模型的模块；

在已建立跟踪目标的目标模型后，对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置的模块，将所述目标区域可能存在的位置作为候选目标区域、并对所有共K个候选目标区域中的第k个候选目标区域的模块，在所述候选目标区域内进行兴趣点检测、并得到M_k个兴趣点的模块，以每个兴趣点为中心提取所述兴趣点对应的局部图像特征的模块，将所述M_k个兴趣点对应的局部图像特征所构成的局部图像特征集合作为所述候选目标区域的特征的模块；

分别将每个候选目标区域的特征与所述目标模型按照金字塔匹配算法进行匹配的模块，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域的模块；

其中，N、K、k和M_k均为大于0的整数，且M_k≤N，1≤k≤K；

所述分别将每个候选目标区域内的特征与所述目标模型按照金字塔匹配算法进行匹配的模块包括：

对第k个候选目标区域的特征

和所述目标模型

构造一个从粗到细或从细到粗的多层粒度空间、标记为l＝0，1，…，L的子模块，其中，P_i和Q_i分别为对应一个兴趣点的设定维数的局部图像特征向量；

在第l个粒度层，将所述局部图像特征向量的每维分别以n^l为步长划分为l_j个特征单元的子模块，用直方图来统计每个特征单元内的特征分布、并得到候选目标区域图像第l个粒度层第j个特征单元的特征个数和目标模型第l个粒度层第j个特征单元的特征个数的子模块，0≤j≤l_j；

计算所述

和在第l个粒度层的匹配度

并得到 $M(H_{F_k}^l,H_{F_0}^l)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\min (H_{F_k}^l\left(j\right),H_{F_0}^l\left(j\right))$ 的子模块；

计算所述

和

在所述多层粒度空间的匹配度K(F_k，F₀)、并得到 $K(F_k,F_0)=\frac{1}{n^L}M(H_{F_k}^0,H_{F_0}^0)+\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{n^{L-l+1}}M(H_{F_k}^l,H_{F_0}^l)$ 的子模块；

将所述K(F_k，F₀)作为所述第k个候选目标区域的特征与所述目标模型的匹配结果的子模块；

其中，n为大于1的正整数。

7.如权利要求6所述的系统，其特征在于，所述对所述图像采集单元采集到的视频图像进行分析、并获取所述视频图像中跟踪目标的完整目标对应的区域的模块包括：对所述视频图像进行目标检测或根据所述视频图像中的人工标定，获取所述视频图像中跟踪目标的完整目标对应的区域的子模块。

8.如权利要求6所述的系统，其特征在于，所述对所述视频图像进行分析、并获取当前图像中跟踪目标的目标区域可能存在的位置的模块包括：根据所述视频图像中当前图像的前一帧图像中跟踪目标的目标区域位置，估计得到当前图像中跟踪目标的目标区域可能存在的位置的子模块。

Images