CN106023250A - 一种图像识别与跟踪中目标遮蔽强度的评价方法 - Google Patents

Abstract

本发明属于数字图像分析与理解、模式识别以及机器视觉领域，尤其涉及一种图像识别与跟踪中目标遮蔽强度的评价方法，该评价方法用于跟踪视频图像中运动的目标，包括以下步骤，步骤一、确定目标及视频图像；步骤二、目标未被遮蔽时，获取目标模板，将目标模板均匀分割为M乘N个子窗口，目标模板可表示为M×N个子窗口的集合；步骤三、目标被遮蔽时，获取目标所在位置的图像作为目标遮蔽模板，将目标遮蔽模板均匀分割为M乘N个子窗口，生成并初始化M×N维的遮蔽强度矩阵，获得目标跟踪中遮蔽强度综合度量指标,本发明建立目标识别与跟踪的多窗口遮蔽强度评价方法，解决目标跟踪中环境遮蔽效力的定量评价问题。

Description

一种图像识别与跟踪中目标遮蔽强度的评价方法

技术领域

本发明属于数字图像分析与理解、模式识别以及机器视觉领域，尤其涉及一种图像识别与跟踪中目标遮蔽强度的评价方法。

背景技术

目标跟踪一直是数字图像处理、分析与理解技术中的热点问题，在军事、交通、安防、医疗，航拍等诸多领域具有广泛的应用前景。然而，由于目标所处环境的复杂性、以及光电探测器位姿的变化，图像中感兴趣的目标往往处于被遮蔽的状态，例如都市中被广告牌遮挡的行人，热带丛林中被树木遮掩的动物，以及复杂战场环境下被烟幕、火光等干扰遮蔽的坦克等。

制约遮蔽状态下目标识别算法性能的一个重要因素，即为数字图像中目标遮蔽程度的定量评价问题。目前，国内外学者为解决遮挡目标检测与识别问题进行了大量研究，其研究成果中往往都涉及到目标遮蔽程度的表征与评价问题，如公开号为CN104063884A，名称为“基于运动预测与多模板匹配相结合的图像目标识别方法”的申请专利中，将目标模板划分为“田”字型的4个子模板，并引入中心子模板，通过在目标跟踪下各个子模板不同的匹配程度，来判断目标是否受到遮挡，以及受到的遮挡是部分遮挡还是全部遮挡；公开号为CN105074726A，名称为“图像序列中的物体遮挡的确定”的申请专利中，利用目标被部分遮挡后的图像，对目标模板进行运动补偿，确定遮挡范围，但以上成果大多针对某类具体情况进行算法上的改进，并未对数字图像中目标遮挡的强度给出定量的评价模型，不能有效、全面的反映遮挡给目标探测与识别带来的影响；公开号为CN103927716A，名称为“一种计算目标跟踪过程中目标形变或遮挡程度的方法”的申请专利，通过求取一阶线性回归中的目标原始模型，来计算拉普拉斯误差矩阵中的非零元素个数所占比例，并以此来描述目标被遮挡或发生形变的位置和强度，可在一定程度上反映目标特征的丢失程度，但并未有效、全面的反映遮蔽给目标跟踪带来的影响。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：针对现有技术中的不足和缺陷，本发明提供一种图像识别与跟踪中目标遮蔽强度的评价方法，用于跟踪过程中，目标发生遮挡时，对其进行检测和跟踪的难易程度综合评价，解决目标跟踪中环境遮蔽所带来影响的定量评价问题。

为了实现上述目的，本发明的技术方案为提供一种图像识别与跟踪中目标遮蔽强度的评价方法，其特征在于：该评价方法用于跟踪视频图像中运动的目标，包括以下步骤，

一种图像识别与跟踪中目标遮蔽强度的评价方法，其特征在于：该评价方法用于跟踪视频图像中运动的目标，包括以下步骤，

步骤一、确定目标及视频图像；

步骤二、目标跟踪初始，目标未被遮蔽，获取目标所在位置的图像作为目标模板T，将目标模板T均匀分割为M乘N个子窗口，目标模板T可表示为M×N个子窗口的集合，其中T_ij为目标模板子窗口，

T＝{T_ij|i＝1,2,...,M,j＝1,2,...,N}；

步骤三、目标被遮蔽时，获取目标所在位置的图像作为目标遮蔽模板T_occlusion，将目标遮蔽模板T_occlusion均匀分割为M乘N个子窗口,其中为目标遮蔽模板子窗口，

$T_{occlusion}=\left\{{\hat{T}}_{ij}\right|i=1,2,...,M,j=1,2,...,N\},$

生成并初始化M×N维的遮蔽强度矩阵E_occlusion，

其中元素e_ij(i＝1,2,...,M,j＝1,2,...,N)表示目标被遮蔽后，目标模板子窗口T_ij的遮蔽强度量化数值，其获得方法如下：

Ⅰ、依据图像相似性度量指标,获得目标模板子窗口T_ij与目标遮蔽模板子窗 口的相似度其中相似性度量指标采用目标模板子窗口T_ij与目标遮蔽模板子窗口的归一化互相关系数、目标模板子窗口T_ij与目标遮蔽模板子窗口颜色特征相似度、目标模板子窗口T_ij与目标遮蔽模板子窗口结构特征相似度中任意一种；

Ⅱ、遍历获得目标模板T中所有子窗口的相似度

目标模板子窗口T_ij与目标遮蔽模板子窗口的匹配度

对进行归一化处理，使得M_ij值介于[0,1]之间，归一化方法采用最大最小法，如公式(2)所示：

$M_{ij}=\frac{\sin (T_{ij},{\hat{T}}_{ij})-{\mathrm{sim}}_{\min }(T,\hat{T})}{{\mathrm{sim}}_{\max }(T,\hat{T})-{\mathrm{sim}}_{\min }(T,\hat{T})}---\left(2\right)$

其中分别为各个目标模板子窗口T_ij与目标遮蔽模板子窗口的相似度中的最小值和最大值；

Ⅲ、设定匹配度阈值σ₁，σ₂，其中0＜σ₁＜σ₂＜1，获取目标模板子窗口T_ij受到遮蔽的强度e_ij：

当0≤M_ij＜σ₁时，表示目标模板子窗口T_ij未被遮蔽，其遮蔽强度e_ij＝0；

当σ₁≤M_ij＜σ₂时，表示目标模板子窗口T_ij受到部分遮蔽，其遮蔽强度e_ij＝1-M_ij；

当σ₂≤M_ij≤1时，表示目标模板子窗口T_ij完全被遮蔽，其遮蔽强度e_ij＝1；

步骤四、根据公式(1)，获得目标跟踪中遮蔽强度综合度量指标，

$D_{occlusion}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{e}_{ij}/M\×N$

其中D_occlusion为遮蔽强度综合度量指标。

所述步骤二获取目标模板T采用人工或自动识别算法分出目标区域、背景区 域。

通过上述设计方案，本发明可以带来如下有益效果：本发明提供了一种定量评价目标遮蔽情况的计算方法，根据计算结果得出的遮蔽强度矩阵E_occlusion可综合反映跟踪过程中，目标各个部分受到的遮蔽程度，得出的遮蔽强度综合度量指标D_occlusion可对目标受到的遮蔽强度给出整体上的定量评价，两者结合，可应用于以下方面：

1)作为目标识别与跟踪过程中，图像目标背景复杂度的定量描述；

2)作为TLD(Tracking-Learning-Detecting，跟踪-学习-检测)框架中模板智能学习、更新的依据；

3)应用于科研、生产过程中，为特定环境下某类目标跟踪算法的具体实施提供先验条件；

4)应用于战场环境下，对烟幕、诱饵弹等光电干扰源的遮蔽效果进行评价。

综上所述，本发明建立目标识别与跟踪的多窗口遮蔽强度评价模型，解决目标跟踪中环境遮蔽效力的定量评价问题。

附图说明

下面结合附图说明和具体实施方式对本发明作进一步说明：

图1为本发明一种图像识别与跟踪中目标遮蔽强度的评价方法的目标遮蔽强度的计算方法流程图。

图2为本发明一种图像识别与跟踪中目标遮蔽强度的评价方法的目标模板T示意图。

图3为本发明一种图像识别与跟踪中目标遮蔽强度的评价方法的目标遮蔽模板T_occlusion示意图。

图4为本发明的具体实施例一中的车辆目标模板T提取示意图a。

图5为本发明的具体实施例一中的车辆目标模板T提取示意图b。

图6为本发明的具体实施例一中的车辆目标遮蔽模板T_occlusion提取示意图a。

图7为本发明的具体实施例一中的车辆目标遮蔽模板T_occlusion提取示意图b。

图8为本发明的具体实施例二中的坦克目标模板T提取示意图a。

图9为本发明的具体实施例二中的坦克目标模板T提取示意图b。

图10为本发明的具体实施例二中的坦克目标遮蔽模板T_occlusion提取示意图a。

图11为本发明的具体实施例二中的坦克目标遮蔽模板T_occlusion提取示意图b。

图12为本发明的具体实施例三中的行人目标模板T提取示意图a。

图13为本发明的具体实施例三中的行人目标模板T提取示意图b。

图14为本发明的具体实施例三中的行人目标遮蔽模板T_occlusion提取示意图a。

图15为本发明的具体实施例三中的行人目标遮蔽模板T_occlusion提取示意图b。

图中：1-目标、2-目标模板、3-目标模板子窗口、4-目标遮蔽模板、5-目标遮蔽模板子窗口、6-遮蔽物。

具体实施方式

下面结合附图对本发明作进一步的详细说明，但本发明的实施和包含范围不局限于此。

本发明之一种图像目标跟踪中的环境遮蔽效力评价模型是一种对图像中目标跟踪难易程度评价的方法。图像目标跟踪过程中利用目标模板2在图像上搜索真实目标1，所述的目标模板2为事前已经制作好或已经给定的，也可由人工或自动识别算法提取。根据目标1跟踪过程中的匹配方法可知，目标模板子窗口3的用来进行匹配度计算的特征参数可以是两幅图像之间的结构特征相似度、颜色特征相似度、归一化互相关系数等。

如图1、图2及图3所示，本发明提供一种图像识别与跟踪中目标遮蔽强度的评价方法，其特征在于：该评价方法用于跟踪视频图像中运动的目标1，包括以下步骤，

步骤一、确定目标1及视频图像；

步骤二、目标1跟踪初始，目标1未被遮蔽，获取目标1所在位置的图像作为目标模板2，将目标模板2均匀分割为M乘N个子窗口，目标模板2可表示为M×N个子窗口的集合，其中T_ij为目标模板子窗口3，

T＝{T_ij|i＝1,2,...,M,j＝1,2,...,N}；

步骤三、目标1经过遮蔽物6，目标1被遮蔽时，获取目标1所在位置的图 像作为目标遮蔽模板4，将目标遮蔽模板4均匀分割为M乘N个子窗口,其中为目标遮蔽模板子窗口5，

$T_{occlusion}=\left\{{\hat{T}}_{ij}\right|i=1,2,...,M,j=1,2,...,N\},$

生成并初始化M×N维的遮蔽强度矩阵E_occlusion，

其中元素e_ij(i＝1,2,...,M,j＝1,2,...,N)表示目标1被遮蔽后，目标模板子窗口3的遮蔽强度量化数值，其获得方法如下：

Ⅰ、依据图像相似性度量指标,获得目标模板子窗口3与目标遮蔽模板子窗口5的相似度其中相似性度量指标采用目标模板子窗口3与目标遮蔽模板子窗口5的归一化互相关系数、目标模板子窗口3与目标遮蔽模板子窗口5颜色特征相似度、目标模板子窗口3与目标遮蔽模板子窗口5结构特征相似度中任意一种；

Ⅱ、遍历获得目标模板2中所有子窗口的相似度

目标模板子窗口3与目标遮蔽模板子窗口5的匹配度

对进行归一化处理，使得M_ij值介于[0,1]之间，归一化方法采用最大最小法，如公式(2)所示：

$M_{ij}=\frac{sim(T_{ij},{\hat{T}}_{ij})-{\mathrm{sim}}_{\min }(T,\hat{T})}{{\mathrm{sim}}_{\max }(T,\hat{T})-{\mathrm{sim}}_{\min }(T,\hat{T})}---\left(2\right)$

其中分别为各个目标模板子窗口3与目标遮蔽模板子窗口5的相似度中的最小值和最大值；

Ⅲ、设定匹配度阈值σ₁，σ₂，其中0＜σ₁＜σ₂＜1，获取目标模板子窗口3受 到遮蔽的强度e_ij：

当0≤M_ij＜σ₁时，表示目标模板子窗口3未被遮蔽，其遮蔽强度e_ij＝0；

当σ₁≤M_ij＜σ₂时，表示目标模板子窗口3受到部分遮蔽，其遮蔽强度e_ij＝1-M_ij；

当σ₂≤M_ij≤1时，表示目标模板子窗口3完全被遮蔽，其遮蔽强度e_ij＝1；

步骤四、根据公式(1)，获得目标1跟踪中遮蔽强度综合度量指标，

$D_{occlusion}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{e}_{ij}/M\×N$

其中D_occlusion为遮蔽强度综合度量指标。

所述步骤二获取目标模板2采用人工或自动识别算法分出目标区域、背景区域,自动识别算法为通过矩形窗口完整图像中的目标1部分，提取矩形窗口中的图像作为目标模板2。

实施例一

结合本发明内容以及图1的算法流程图，本发明之一种图像目标跟踪中的环境遮蔽强度评价方法可作为科研过程中，对目标识别与跟踪难易程度的定量描述，其具体实施方式如下：

步骤一、如图4及图5所示，在跟踪初始，获取未受遮挡的车辆目标1所在位置的图像作为目标模板2，并将其划分为4行乘以6列的子窗口集合，

T＝{T_ij|i＝1,2,...,4,j＝1,2,...,6}；

步骤二、在车辆目标1被树木遮蔽时，提取车辆目标1所在位置的图像作为目标遮蔽模板4，并将其划分为4行乘以6列的子窗口集合

$T_{occlusion}=\left\{{\hat{T}}_{ij}\right|i=1,2,...,4,j=1,2,...6\}$

如图6及图7所示，根据发明内容中所述步骤对各个目标模板子窗口3与目标遮蔽模板子窗口5求取其匹配度M_ij；

本实施例中子窗口匹配度采用目标模板子窗口3与目标遮蔽模板子窗口5的结构相似度进行表征，计算方法如式(3)所示：

$SSIM(T_{ij},{\hat{T}}_{ij})=l(T_{ij},{\hat{T}}_{ij})\·c(T_{ij},{\hat{T}}_{ij})\·s(T_{ij},{\hat{T}}_{ij})---\left(3\right)$

其中，分别表示两幅图像的亮度相似度，对比度相似度和结构信息相似度的计算因子，计算方法如公式所示：

$l(T_{ij},{\hat{T}}_{ij})=\frac{2\mathrm{\μ}\left(T_{ij}\right)\mathrm{\μ}\left({\hat{T}}_{ij}\right)+C_1}{\mathrm{\μ}{\left(T_{ij}\right)}^2\mathrm{\μ}{\left({\hat{T}}_{ij}\right)}^2+C_1}$

$c(T_{ij},{\hat{T}}_{ij})=\frac{2\mathrm{\σ}\left(T_{ij}\right)\mathrm{\σ}\left({\hat{T}}_{ij}\right)+C_2}{\mathrm{\σ}{\left(T_{ij}\right)}^2+\mathrm{\σ}{\left({\hat{T}}_{ij}\right)}^2+C_2}$

$c(T_{ij},{\hat{T}}_{ij})=\frac{\mathrm{\σ}(T_{ij},{\hat{T}}_{ij})+C_3}{\mathrm{\σ}\left(T_{ij}\right)\mathrm{\σ}\left({\hat{T}}_{ij}\right)+C_3}$

其中C_1，C₂和C₃是为了保证分母不为零而引入的很小的常数，μ(T_ij), σ(T_ij),分别代表目标区域x和待评价相似目标区域y亮度的均值、标准差和协方差。

对进行归一化处理来得到目标模板子窗口3与目标遮蔽模板子窗口5的匹配度M_ij,使得M_ij∈[0,1]，计算方法如式(4)所示：

$M_{ij}=\frac{SSIM(T_{ij},{\hat{T}}_{ij})-{\mathrm{SSIM}}_{\min }(T,\hat{T})}{{\mathrm{SSIM}}_{\max }(T,\hat{T})-{\mathrm{SSIM}}_{\min }(T,\hat{T})}---\left(4\right)$

其中分别为各个目标模板子窗口3与目标遮蔽模板子窗口5的相似度中的最小值和最大值；

设定匹配度阈值σ₁，σ₂，按照发明内容中所述的方法计算出车辆目标1的遮蔽强度矩阵E_occlusion，其中目标遮蔽强度量化值为1的部分表示车辆目标1的该区域受到完全遮蔽，为0的部分表示车辆目标1的该区域未受到遮蔽；

步骤三、根据发明内容中公式可计算目标遮蔽强度的综合度量指标D_occlusion：

$D_{occlusion}=\underset{i=1}{\overset{4}{\Σ}}\underset{j=1}{\overset{6}{\Σ}}{e}_{ij}/4\×6.$

上述求出的遮蔽强度矩阵E_occlusion反映了图像识别与跟踪过程中，环境中树木对车辆目标1各部位的遮蔽作用，可综合反映出该环境下车辆目标1识别与跟 踪失败的潜在因素。车辆目标1的遮蔽强度综合度量指标D_occlusion可定量该环境下评价目标识别与跟踪的难易程度。

实施例二

结合专利发明内容以及图1的算法流程图，本发明之一种图像目标跟踪中的环境遮蔽强度评价方法也可应用于战场环境下，对烟幕、诱饵弹等光电干扰源的遮蔽效果进行测试、评价，其具体实施方式如下：

步骤一、采集坦克目标1未受到光电干扰时的图像，如图8及图9所示，获取未受遮挡的坦克目标1所在位置的图像作为目标模板2，将其划分为5行乘以6列的子窗口集合T＝{T_ij|i＝1,2,...,5,j＝1,2,...,6}；

步骤二、释放烟幕干扰源，采集坦克目标1受到烟幕遮挡后的图像，如图10所示，提取坦克目标1所在位置的图像作为目标遮蔽模板4，并将其划分为5行乘以6列的子模板集合，

$T_{occlusion}=\left\{{\hat{T}}_{ij}\right|i=1,2,...,5,j=1,2,...6\},$

如图11所示，接着根据发明内容中所述步骤对目标模板子窗口3与目标遮蔽模板子窗口5求取其匹配度M_ij；

本实施例中子窗口匹配度采用目标模板子窗口3与目标遮蔽模板子窗口5的颜色特征相似度进行表征，计算方法如下所示：

1)为降低颜色特征相似度计算的复杂程度，往往需对颜色空间进行量化处理，本实施例对RGB颜色空间进行量化，将其划分为64个颜色区间，即图像的颜色特征可以采用一个64维的向量h＝(h₁,h₂,...h_k,...,h₆₄)进行描述，其中h_k∈[0,1]表示某种颜色c＝(r,g,b)∈h_k在图像中出现的频率，根据上述可提取目标模板子窗口3与目标遮蔽模板子窗口5的颜色特征向量h＝(h₁,h₂,...,h₆₄)、

2)利用颜色特征向量相交算法，计算目标模板子窗口3与目标遮挡模板子窗口5的颜色特征相似度，如式(5)所示：

$sim(T_{ij},{\hat{T}}_{ij})=\underset{k=1}{\overset{64}{\Σ}}min(h_k,{\hat{h}}_k)---\left(5\right)$

由于求得的颜色特征相似度值介于[0,1]之间，故可直接将其作为目标模板子窗口3与目标遮蔽模板子窗口5的匹配度M_ij，即

设定匹配度阈值σ₁、σ₂，根据子模板匹配度M_ij即可计算出坦克目标1的遮蔽强度矩阵E_occlusion；

步骤三、根据发明内容中公式可计算坦克目标1收到烟幕遮蔽影响的综合度量指标：

$D_{occlusion}=\underset{i=1}{\overset{5}{\Σ}}\underset{j=1}{\overset{6}{\Σ}}{e}_{ij}/5\×6$

上述求出的遮蔽强度矩阵E_occlusion反映了某时刻下，烟幕光电干扰对坦克目标1各部位的遮蔽作用。坦克目标1的遮蔽强度综合度量指标D_occlusion可对战场环境下，某型号烟幕干扰的光电干扰性能进行定量评价。

实施例三

结合专利发明内容以及图1的算法流程图，本发明之一种图像目标跟踪中的环境遮蔽强度评价方法也可应用于日常生活中，例如对于视频安防系统中的行人检测、识别系统而言，可以通过分析周围环境对行人的遮蔽效果，为其目标检测、识别算法提供先验条件，其具体实施方式如下：

步骤一、采集实验时行人目标1未受到垃圾桶遮蔽时的图像，如图12所示，获取未受遮挡的行人目标1所在位置的图像作为目标模板2，如图13所示，将其划分为5行乘以4列的子窗口集合，T＝{T_ij|i＝1,2,...,5,j＝1,2,...,4}；

步骤二、行人目标1经过垃圾桶时，采集行人目标1受到垃圾桶遮蔽后的图像，如图14所示，提取行人目标1所在位置的图像作为目标遮蔽模板4，并将其划分为5行乘以4列的子模板集合，

$T_{occlusion}=\left\{{\hat{T}}_{ij}\right|i=1,2,...,5,j=1,2,...4\},$

如图15所示，接着根据发明内容中所述步骤对目标模板子窗口3与目标遮蔽模板子窗口5求取其匹配度M_ij；

本实施例中子窗口匹配度采用目标模板子窗口3与目标遮蔽模板子窗口5的归一化互相关系数进行表征，计算方法如式(6)所示：

$\mathrm{\γ}(T_{ij},{\hat{T}}_{ij})=\frac{{\Σ}_x{\Σ}_y\[T_{ij}(x,y)-\stackrel{\‾}{T_{ij}(x,y)}\]\[{\hat{T}}_{ij}(x,y)-\stackrel{\‾}{{\hat{T}}_{ij}(x,y)}\]}{\left({\Σ}_x{\Σ}_y{\[T_{ij}(x,y)-\stackrel{\‾}{T_{ij}(x,y)}\]}^2{\Σ}_x{\Σ}_y{\[{\hat{T}}_{ij}(x,y)-\stackrel{\‾}{{\hat{T}}_{ij}(x,y)}\]}^2\right)}---\left(6\right)$

其中，T_ij(x,y)和分别代表目标模板子窗口3与目标遮蔽模板子窗口5在(x,y)处的像素点灰度值，为目标模板子窗口3的像素灰度平均值，为目标遮蔽模板子窗口5的像素灰度平均值。

由于求得的归一化互相关系数值介于[-1,1]之间，故需要对其进行归一化处理来得到目标模板子窗口3与目标遮蔽模板子窗口5的匹配度M_ij,使得M_ij∈[0,1]，计算方法如式(7)所示：

$M_{ij}=\frac{\mathrm{\γ}(T_{ij},{\hat{T}}_{ij})-{\mathrm{\γ}}_{\min }(T,\hat{T})}{{\mathrm{\γ}}_{\max }(T,\hat{T})-{\mathrm{\γ}}_{\min }(T,\hat{T})}---\left(7\right)$

其中分别为各个目标模板子窗口3与目标遮蔽模板子窗口5的归一化相关系数中的最小值和最大值。

设定匹配度阈值σ₁，σ₂，根据子模板匹配度即可计算出行人目标1的遮蔽强度矩阵E_occlusion。

步骤三、根据发明内容中公式可计算行人目标1收到环境中垃圾桶遮蔽影响的综合度量指标：

$D_{occlusion}=\underset{i=1}{\overset{5}{\Σ}}\underset{j=1}{\overset{4}{\Σ}}{e}_{ij}/5\×4$

上述求出的遮蔽强度矩阵E_occlusion反映了某时刻下，环境中遮蔽物6对行人目标1不同部位的影响程度，可作为行人目标1检测与识别的先验条件对目标模板2的学习、改进进行指导。行人目标1的遮蔽强度综合度量指标D_occlusion可作为安防系统准确检测真实目标性能的定量评价。

Claims (2)

1.一种图像识别与跟踪中目标遮蔽强度的评价方法，其特征在于：该评价方法用于跟踪视频图像中运动的目标，包括以下步骤，

步骤一、确定目标及视频图像；

步骤二、目标跟踪初始，目标未被遮蔽，获取目标所在位置的图像作为目标模板T，将目标模板T均匀分割为M乘N个子窗口，目标模板T可表示为M×N个子窗口的集合，其中T_ij为目标模板子窗口，

T＝{T_ij|i＝1,2,...,M,j＝1,2,...,N}；

步骤三、目标被遮蔽时，获取目标所在位置的图像作为目标遮蔽模板T_occlusion，将目标遮蔽模板T_occlusion均匀分割为M乘N个子窗口,其中为目标遮蔽模板子窗口，

生成并初始化M×N维的遮蔽强度矩阵E_occlusion，

其中元素e_ij(i＝1,2,...,M,j＝1,2,...,N)表示目标被遮蔽后，目标模板子窗口T_ij的遮蔽强度量化数值，其获得方法如下：

Ⅰ、依据图像相似性度量指标,获得目标模板子窗口T_ij与目标遮蔽模板子窗口的相似度其中相似性度量指标采用目标模板子窗口T_ij与目标遮蔽模板子窗口的归一化互相关系数、目标模板子窗口T_ij与目标遮蔽模板子窗口颜色特征相似度、目标模板子窗口T_ij与目标遮蔽模板子窗口结构特征相似度中任意一种；

Ⅱ、遍历获得目标模板T中所有子窗口的相似度

目标模板子窗口T_ij与目标遮蔽模板子窗口的匹配度

对进行归一化处理，使得M_ij值介于[0,1]之间，归一化方法采用最大最小法，如公式(2)所示：

其中分别为各个目标模板子窗口T_ij与目标遮蔽模板子窗口的相似度中的最小值和最大值；

Ⅲ、设定匹配度阈值σ₁，σ₂，其中0＜σ₁＜σ₂＜1，获取目标模板子窗口T_ij受到遮蔽的强度e_ij：

当0≤M_ij＜σ₁时，表示目标模板子窗口T_ij未被遮蔽，其遮蔽强度e_ij＝0；

当σ₁≤M_ij＜σ₂时，表示目标模板子窗口T_ij受到部分遮蔽，其遮蔽强度e_ij＝1-M_ij；

当σ₂≤M_ij≤1时，表示目标模板子窗口T_ij完全被遮蔽，其遮蔽强度e_ij＝1；

步骤四、根据公式(1)，获得目标跟踪中遮蔽强度综合度量指标，

其中D_occlusion为遮蔽强度综合度量指标。

2.根据权利要求1所述的一种图像识别与跟踪中目标遮蔽强度的评价方法，其特征在于：所述步骤二获取目标模板T采用人工或自动识别算法分出目标区域、背景区域。