CN106934339B - 一种目标跟踪、跟踪目标识别特征的提取方法和装置 - Google Patents
一种目标跟踪、跟踪目标识别特征的提取方法和装置 Download PDFInfo
- Publication number
- CN106934339B CN106934339B CN201710038543.6A CN201710038543A CN106934339B CN 106934339 B CN106934339 B CN 106934339B CN 201710038543 A CN201710038543 A CN 201710038543A CN 106934339 B CN106934339 B CN 106934339B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- features
- feature
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标跟踪、跟踪目标识别特征的提取方法和装置,所述提取方法包括:获取历史跟踪图像中跟踪目标的目标特征池;获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征;将所述目标特征池作为正样本、所述背景特征作为负样本训练分类器得到分类特征向量;按照元素的系数从大到小依次从所述分类特征向量中选取目标特征生成所述识别特征。该方案充分考虑历史跟踪图像对跟踪目标判别的影响,使得跟踪目标的识别特征具有历史一致性,从而保持识别特征的稳定性,同时采用最后一帧图像中的背景特征作为区分,从而提高了判别跟踪目标的准确性,综合考虑当前帧图像和历史图像对跟踪目标的影响,提高了跟踪结果的准确性。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种目标跟踪、跟踪目标识别特征的提取方法和装置。
背景技术
目标跟踪是指对跟踪图像中指定目标区域进行实时自动跟踪,实时计算出目标在图像场景中的精确位置。目标跟踪是近年来计算机视觉领域中备受关注的前沿方向,它从包含运动目标的图像序列中检测、识别并跟踪目标,并对其行为进行理解和描述。目标分析的研究涉及到模型识别、图像处理、计算机视觉、人工智能等学科的内容。随着现代信息技术的发展,目标跟踪在军用、民用以及医学等方面具有重要意义。比如,目标跟踪在视频监控、智能导航、互动游戏、机器人技术以及增强现实等领域有着至关重要的应用。通常在进行目标跟踪时,目标的识别特征都是采用固定维度的特征,而且这些固定维度的特征是根据上一帧图像中确定的跟踪目标附近采集的正负样本来确定的。
然而,由于跟踪图像中景物的多样性和复杂性,目标跟踪技术在工程应用中仍然有许多问题有待解决。比如,在目标跟踪过程中,由于光线变化、目标外观变化、复杂背景影响等因素导致目标外观模型中的一些特征的判别能力和描述能力下降,而随着每次跟踪目标的识别特征的更新,判别误差也会逐渐增大,对当前帧图像中的跟踪目标的判别几乎仅取决于上一帧图像所确定的跟踪目标,与历史图像中的跟踪目标脱离了联系,往往造成跟踪目标判别不准确,出现跟踪错误等现象。
因此,如何提高目标跟踪过程中判定跟踪目标的准确度,成为一个亟待解决的技术问题。
发明内容
因此,本发明要解决的技术问题在于现有技术中在目标跟踪过程中,判定跟踪目标的准确度低,容易出现跟踪错误。
从而提供一种目标跟踪、跟踪目标识别特征的提取方法和装置。
有鉴于此,本发明实施例的第一方面提供了一种跟踪目标识别识别特征的提取方法,包括:获取历史跟踪图像中跟踪目标的目标特征池;获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征;将所述目标特征池作为正样本、所述背景特征作为负样本训练分类器得到分类特征向量;按照元素的系数从大到小依次从所述分类特征向量中选取目标特征生成所述识别特征。
优选地,所述获取历史跟踪图像中跟踪目标的目标特征池包括:分别提取每一帧图像中所述跟踪目标的压缩特征;对所述压缩特征进行低秩一致性分析,得到所述压缩特征的稀疏矩阵;根据所述稀疏矩阵选取预设个数的所述压缩特征生成所述目标特征池。
优选地,所述分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。
优选地,所述根据所述稀疏矩阵选取预设个数的所述压缩特征生成所述目标特征池包括:获取所述稀疏矩阵的稀疏值;按照所述稀疏值从小到大依次选取所述预设个数的所述压缩特征生成所述目标特征池。
优选地,所述获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征包括:选取距离所述跟踪目标预设范围内的背景图像;提取所述背景图像的压缩特征作为所述背景特征。
本发明实施例的第二方面提供了一种目标跟踪方法,包括:使用本发明实施例的第一方面或第一方面的任一优选方案所述的跟踪目标识别特征的提取方法提取跟踪目标的识别特征;获取当前帧图像中所述跟踪目标的多个当前目标特征;分别计算多个所述当前目标特征与所述识别特征的特征距离;选取最小的所述特征距离对应的所述当前目标特征作为所述跟踪目标的当前特征;根据所述当前特征跟踪所述跟踪目标。
本发明实施例的第三方面提供了一种跟踪目标识别特征的提取装置,包括:第一获取模块,用于获取历史跟踪图像中跟踪目标的目标特征池;第二获取模块,用于获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征;训练模块,用于将所述目标特征池作为正样本、所述背景特征作为负样本训练分类器得到分类特征向量;生成模块,用于按照元素的系数从大到小依次从所述分类特征向量中选取目标特征生成所述识别特征。
优选地,所述第一获取模块包括:第一提取单元,用于分别提取每一帧图像中所述跟踪目标的压缩特征;分析单元,用于对所述压缩特征进行低秩一致性分析,得到所述压缩特征的稀疏矩阵;生成单元,用于根据所述稀疏矩阵选取预设个数的所述压缩特征生成所述目标特征池。
优选地,所述分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。
优选地,所述生成单元包括:获取子单元,用于获取所述稀疏矩阵的稀疏值;选取子单元,用于按照所述稀疏值从小到大依次选取所述预设个数的所述压缩特征生成所述目标特征池。
优选地,所述第二获取模块包括:选取单元,用于选取距离所述跟踪目标预设范围内的背景图像;第二提取单元,用于提取所述背景图像的压缩特征作为所述背景特征。
本发明实施例的第四方面提供了一种目标跟踪装置,包括:提取模块,用于使用本发明实施例的第一方面或第一方面的任一优选方案所述的跟踪目标识别特征的提取方法提取跟踪目标的识别特征;第三获取模块,用于获取当前帧图像中所述跟踪目标的多个当前目标特征;计算模块,用于分别计算多个所述当前目标特征与所述识别特征的特征距离;选取模块,用于选取最小的所述特征距离对应的所述当前目标特征作为所述跟踪目标的当前特征;跟踪模块,用于根据所述当前特征跟踪所述跟踪目标。
本发明的技术方案具有以下优点:
本发明实施例提供的目标跟踪、跟踪目标识别特征的提取方法和装置,通过将历史跟踪图像中跟踪目标的压缩特征作为目标特征池,并将该目标特征池结合最后一帧图像中跟踪目标的背景特征共同确定跟踪目标的识别特征,综合当前帧图像确定的当前目标特征与识别特征来实现对更总目标的跟踪,与现有技术相比,不仅考虑最后一帧图像对下一帧图像中跟踪目标的影响,而且充分考虑历史跟踪图像对跟踪目标判别的影响,使得跟踪目标的识别特征具有历史一致性,从而保持识别特征的稳定性,同时采用最后一帧图像中的背景特征作为区分,使得根据识别特征能够准确识别出跟踪目标和背景的区别,从而提高了判别跟踪目标的准确性,综合考虑当前帧图像和历史图像对跟踪目标的影响,提高了跟踪结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的跟踪目标识别特征的提取方法的一个流程图;
图2为本发明实施例2的目标跟踪方法的一个流程图;
图3为本发明实施例3的跟踪目标识别特征的提取装置的一个框图。
图4为本发明实施例4的目标跟踪装置的一个框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种跟踪目标识别识别特征的提取方法,如图1所示,包括如下步骤:
S11:获取历史跟踪图像中跟踪目标的目标特征池。此处历史跟踪图像是相对于待判别跟踪目标所在的当前帧图像来说得,历史跟踪图像可以是跟踪目标所在的视觉文件,比如视频、图片等,目标特征池是能够表征跟踪目标的特征集合,比如可以是每一帧图像中提取出的跟踪目标的压缩特征。通过历史跟踪图像来确定表征跟踪目标的目标特征池,得到的目标特征池具有历史一致性,从而保证了跟踪目标的识别特征的稳定性,避免跟错目标。
S12:获取历史跟踪图像的最后一帧图像中跟踪目标的背景特征。为了适应跟踪目标在跟踪过程中的变化,对跟踪目标与其背景进行区分,通过选择具有判别性的背景特征来区分跟踪目标和背景,作为一种优选方案,步骤S12可以包括:选取距离跟踪目标预设范围内的背景图像;提取背景图像的压缩特征作为背景特征。具体地,一般选取最后一帧图像中跟踪目标附近的背景图像作为样本,然后提取该背景图像的压缩特征作为背景特征,以准确区分跟踪目标与其所在的背景图像,避免跟踪错误。
S13:将目标特征池作为正样本、背景特征作为负样本训练分类器得到分类特征向量。作为一种优选方案,分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。比如选取SVM分类器,将目标特征池中的压缩特征作为正样本,同时将最后一帧图像中跟踪目标的背景特征作为负样本,由此来构建SVM分类器,进而获得SVM分类器输出的分类向量。即综合考虑历史图像和背景图像对跟踪目标的影响,提高了判别跟踪目标的准确性。
S14:按照元素的系数从大到小依次从分类特征向量中选取目标特征生成识别特征。在本实施例中,构建的SVM分类器并不用于进行下一帧的分类,而是通过SVM分类器得到分类特征向量,给分类向量中是由正负样本的元素以及SVM分类器给出的每一个元素的系数组成,按照该SVM分类器给出的每一个元素的系数大小来选取识别特征的元素,即SVM分类器给出的系数越大,说明该维特征对判别结果影响越大,因此可以选取系数较大的元素特征作为识别特征的组成元素,比如可以按照系数从大到小依次选取50维目标元素特征组成识别特征,如此综合考虑目标特征池和背景特征对判别结果的影响,有效克服了因光线、环境等因素的变化对识别特征的不良影响,提高了识别特征表征跟踪目标的准确性。
作为一种优选方案,步骤S11可以包括:分别提取每一帧图像中跟踪目标的压缩特征;对压缩特征进行低秩一致性分析,得到压缩特征的稀疏矩阵;根据稀疏矩阵选取预设个数的压缩特征生成目标特征池。具体地,首先对于历史跟踪图像的每一帧图像分别进行跟踪目标的压缩特征提取,可以采用向量的方式对压缩特征进行表示,比如用向量An(n为大于1的正整数)表示历史跟踪图像的第n帧图像中提取到的跟踪目标的压缩特征,压缩特征An的维数可以根据实际需要而定,比如本实施例中采用的压缩特征An可以为150维,则历史跟踪图像的所有帧图像中跟踪目标的压缩特征组成的矩阵可以表示为A={A1,A2,…,An};然后,从历史跟踪图像的倒数第二帧图像中提取5个样本特征作为干扰特征B={V1,V2,…,V5},采用如下公式进行QR分解得到正规正交矩阵Q:
(BBT)qBAm=QR
上式中Am是SRFT随机矩阵;
采用如下公式得到A中对应向量的n个稀疏矩阵:
S=A-(AQ)QT
上式中,S为稀疏矩阵,最后根据稀疏矩阵从A中选取预设个数的压缩特征生成目标特征池,预设个数可以根据实际需要而定,比如可以是M(M<<n),在n足够大的情况下本实施例可以选取M=20;具体地,计算A中每一个压缩特征对应的稀疏矩阵的稀疏值,按照稀疏值从小到大依次选取20个对应的压缩特征生成目标特征池,即选取原则是选择稀疏值较小的稀疏矩阵对应的压缩特征作为目标特征池中的元素。如此可以提高目标特征池表征跟踪目标的准确性。
本实施例提供的跟踪目标识别识别特征的提取方法,过将历史跟踪图像中跟踪目标的压缩特征作为目标特征池,并将该目标特征池结合最后一帧图像中跟踪目标的背景特征共同确定跟踪目标的识别特征,综合当前帧图像确定的当前目标特征与识别特征来实现对更总目标的跟踪,与现有技术相比,不仅考虑最后一帧图像对下一帧图像中跟踪目标的影响,而且充分考虑历史跟踪图像对跟踪目标判别的影响,使得跟踪目标的识别特征具有历史一致性,从而保持识别特征的稳定性,同时采用最后一帧图像中的背景特征作为区分,使得根据识别特征能够准确识别出跟踪目标和背景的区别,从而提高了判别跟踪目标的准确性,综合考虑当前帧图像和历史图像对跟踪目标的影响,提高了跟踪结果的准确性。
实施例2
本实施例提供了一种目标跟踪方法,如图2所示,包括如下步骤:
S21:使用实施例1中的跟踪目标识别特征的提取方法提取跟踪目标的识别特征。具体参见实施例1中的详细描述。
S22:获取当前帧图像中跟踪目标的多个当前目标特征。即通过将当前帧图像中跟踪目标的当前目标特征作为判别参考,以保证跟踪目标的稳定性,具体地,上一帧图像所确定的跟踪目标对应一个位置信息,可以将该位置信息对应到当前帧图像中,得到该位置信息在当前帧图像中的目标位置,然后再该目标位置附近随机选取多个候选样本,提取多个候选样本的压缩特征作为当前目标特征,其中当前目标特征可以采用向量的形式表示,其维数可以根据实际情况选择,比如本实施例中可以设定当前目标特征为50维,如此不仅可以提高当前目标特征的准确性,而且保持了跟踪目标的连续性。
S23:分别计算多个当前目标特征与识别特征的特征距离。当前目标特征的个数可以根据实际需要选取,识别特征中包含多个元素特征,可以通过分别计算每个当前目标特征与识别特征中的元素特征的距离和作为特征距离,特征距离越小,说明该特征距离对应的当前目标特征对跟踪目标的表征越准确。
S24:选取最小的特征距离对应的当前目标特征作为跟踪目标的当前特征。由步骤S23获得了每个当前目标特征对应的特征距离,根据特征距离的大小与表征跟踪目标的准确性的关系,可以通过选取最小特征距离对应的当前目标特征来确定跟踪目标的当前特征。具体地,可以通过分别计算每个当前目标特征与识别特征中的元素特征的距离和来寻找最小的特征距离,设Xi表示第i(i为大于1的正整数)个当前目标特征,表示识别特征中第k(k为大于1的正整数,k的取值由具体情况来确定)个元素特征,则可以采用如下公式计算最小特征距离X*:
然后,将该最小特征距离X*对应的当前目标特征Xi作为跟踪目标的当前特征。
S25:根据当前特征跟踪所述跟踪目标。由步骤S24确定的跟踪目标的当前特征可以得知跟踪目标的具体位置以及其他相关信息,则可以根据这些信息对跟踪目标实现实时准确地跟踪。
本实施例提供的目标跟踪方法,通过综合考虑当前帧图像确定的多个当前目标特征和历史图像确定的识别特征对跟踪目标的影响,实现对当前帧图像中目标的跟踪,与现有技术相比,不仅考虑当前帧图像对跟踪目标的影响,而且充分考虑历史跟踪图像对跟踪目标的影响,使得跟踪目标具有历史一致性,从而保持目标跟踪的稳定性,并且,由当前帧确定的跟踪目标的当前特征去更新历史目标特征池,避免了误差叠加,提高了跟踪结果的准确性。
实施例3
本实施例供了一种跟踪目标识别特征的提取装置,如图3所示,包括:第一获取模块31,第二获取模块32、训练模块33、和生成模块34,各模块功能如下:
第一获取模块31,用于获取历史跟踪图像中跟踪目标的目标特征池,具体参见实施例1中对步骤S11的详细描述。
第二获取模块32,用于获取历史跟踪图像的最后一帧图像中跟踪目标的背景特征,具体参见实施例1中对步骤S12的详细描述。
训练模块33,用于将目标特征池作为正样本、背景特征作为负样本训练分类器得到分类特征向量,具体参见实施例1中对步骤S13的详细描述。
生成模块34,用于按照元素的系数从大到小依次从分类特征向量中选取目标特征生成识别特征。具体参见实施例1中对步骤S14的详细描述。
作为一种优选方案,第一获取模块31包括:第一提取单元,用于分别提取每一帧图像中跟踪目标的压缩特征;分析单元,用于对压缩特征进行低秩一致性分析,得到压缩特征的稀疏矩阵;生成单元,用于根据稀疏矩阵选取预设个数的压缩特征生成目标特征池。具体参见实施例1中的相关详细描述。
作为一种优选方案,分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。具体参见实施例1中的相关详细描述。
作为一种优选方案,生成单元包括:获取子单元,用于获取稀疏矩阵的稀疏值;选取子单元,用于按照稀疏值从小到大依次选取预设个数的压缩特征生成目标特征池。具体参见实施例1中的相关详细描述。
作为一种优选方案,第二获取模块32包括:选取单元,用于选取距离跟踪目标预设范围内的背景图像;第二提取单元,用于提取背景图像的压缩特征作为背景特征。具体参见实施例1中的相关详细描述。
本实施例提供的跟踪目标识别识别特征的提取装置,过将历史跟踪图像中跟踪目标的压缩特征作为目标特征池,并将该目标特征池结合最后一帧图像中跟踪目标的背景特征共同确定跟踪目标的识别特征,综合当前帧图像确定的当前目标特征与识别特征来实现对更总目标的跟踪,与现有技术相比,不仅考虑最后一帧图像对下一帧图像中跟踪目标的影响,而且充分考虑历史跟踪图像对跟踪目标判别的影响,使得跟踪目标的识别特征具有历史一致性,从而保持识别特征的稳定性,同时采用最后一帧图像中的背景特征作为区分,使得根据识别特征能够准确识别出跟踪目标和背景的区别,从而提高了判别跟踪目标的准确性,综合考虑当前帧图像和历史图像对跟踪目标的影响,提高了跟踪结果的准确性。
实施例4
本实施例供了一种目标跟踪装置,如图4所示,包括:提取模块41,第三获取模块42、计算模块43、选取模块44和跟踪模块45,各模块功能如下:
提取模块41,用于使用实施例1的跟踪目标识别特征的提取方法提取跟踪目标的识别特征,具体参见实施例1中的详细描述。
第三获取模块42,用于获取当前帧图像中跟踪目标的多个当前目标特征,具体参见实施例2中对步骤S22的详细描述。
计算模块43,用于分别计算多个当前目标特征与识别特征的特征距离,具体参见实施例2中对步骤S23的详细描述。
选取模块44,用于选取最小的特征距离对应的当前目标特征作为跟踪目标的当前特征,具体参见实施例2中对步骤S24的详细描述。
跟踪模块45,用于根据当前特征跟踪所述跟踪目标。具体参见实施例2中对步骤S25的详细描述。
本实施例提供的目标跟踪装置,通过综合考虑当前帧图像确定的多个当前目标特征和历史图像确定的识别特征对跟踪目标的影响,实现对当前帧图像中目标的跟踪,与现有技术相比,不仅考虑当前帧图像对跟踪目标的影响,而且充分考虑历史跟踪图像对跟踪目标的影响,使得跟踪目标具有历史一致性,从而保持目标跟踪的稳定性,并且,由当前帧确定的跟踪目标的当前特征去更新历史目标特征池,避免了误差叠加,提高了跟踪结果的准确性。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种跟踪目标识别特征的提取方法,其特征在于,包括:
获取多个历史跟踪图像中跟踪目标的目标特征进行集合得到的目标特征池,所述历史跟踪图像是相对于待判别跟踪目标所在的当前帧图像的历史跟踪图像,包括:分别提取每一帧图像中所述跟踪目标的多个压缩特征;对所述压缩特征进行低秩一致性分析,得到所述压缩特征的稀疏矩阵;计算所述多个压缩特征中每一个压缩特征对应的稀疏矩阵的稀疏值,按照稀疏值从小到大依次选取预设个数的压缩特征生成所述目标特征池;
获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征;
将所述目标特征池作为正样本、所述背景特征作为负样本训练分类器得到分类特征向量;
按照元素的系数从大到小依次从所述分类特征向量中选取目标特征生成所述识别特征。
2.根据权利要求1所述的跟踪目标识别特征的提取方法识别特征,其特征在于,所述分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。
3.根据权利要求1或2所述的跟踪目标识别特征的提取方法识别特征,其特征在于,所述获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征包括:
选取距离所述跟踪目标预设范围内的背景图像;
提取所述背景图像的压缩特征作为所述背景特征。
4.一种目标跟踪方法,其特征在于,包括:
使用权利要求1-3中任一项所述的跟踪目标识别特征的提取方法提取跟踪目标的识别特征;
获取当前帧图像中所述跟踪目标的多个当前目标特征;
分别计算多个所述当前目标特征与所述识别特征的特征距离;
选取最小的所述特征距离对应的所述当前目标特征作为所述跟踪目标的当前特征;
根据所述当前特征跟踪所述跟踪目标。
5.一种跟踪目标识别特征的提取装置,其特征在于,包括:
第一获取模块,用于获取多个历史跟踪图像中跟踪目标的目标特征进行集合得到的目标特征池,所述历史跟踪图像是相对于待判别跟踪目标所在的当前帧图像的历史跟踪图像,包括:分别提取每一帧图像中所述跟踪目标的多个压缩特征;对所述压缩特征进行低秩一致性分析,得到所述压缩特征的稀疏矩阵;计算所述多个压缩特征中每一个压缩特征对应的稀疏矩阵的稀疏值,按照稀疏值从小到大依次选取预设个数的压缩特征生成所述目标特征池;
第二获取模块,用于获取所述历史跟踪图像的最后一帧图像中所述跟踪目标的背景特征;
训练模块,用于将所述目标特征池作为正样本、所述背景特征作为负样本训练分类器得到分类特征向量;
生成模块,用于按照元素的系数从大到小依次从所述分类特征向量中选取目标特征生成所述识别特征。
6.根据权利要求5所述的跟踪目标识别特征的提取装置,其特征在于,所述分类器包括识别特征SVM分类器、决策树分类器、逻辑回归分类器、朴素贝叶斯分类器、神经网络分类器中的任一种。
7.根据权利要求5或6所述的跟踪目标识别特征的提取装置,其特征在于,所述第二获取模块包括:
选取单元,用于选取距离所述跟踪目标预设范围内的背景图像;
第二提取单元,用于提取所述背景图像的压缩特征作为所述背景特征。
8.一种目标跟踪装置,其特征在于,包括:
提取模块,用于使用权利要求1-3中任一项所述的跟踪目标识别特征的提取方法提取跟踪目标的识别特征;
第三获取模块,用于获取当前帧图像中所述跟踪目标的多个当前目标特征;
计算模块,用于分别计算多个所述当前目标特征与所述识别特征的特征距离;
选取模块,用于选取最小的所述特征距离对应的所述当前目标特征作为所述跟踪目标的当前特征;
跟踪模块,用于根据所述当前特征跟踪所述跟踪目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038543.6A CN106934339B (zh) | 2017-01-19 | 2017-01-19 | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038543.6A CN106934339B (zh) | 2017-01-19 | 2017-01-19 | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934339A CN106934339A (zh) | 2017-07-07 |
CN106934339B true CN106934339B (zh) | 2021-06-11 |
Family
ID=59422832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710038543.6A Active CN106934339B (zh) | 2017-01-19 | 2017-01-19 | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934339B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473232B (zh) * | 2017-07-14 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、存储介质及电子设备 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN110645986B (zh) * | 2019-09-27 | 2023-07-14 | Oppo广东移动通信有限公司 | 定位方法及装置、终端、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544483A (zh) * | 2013-10-25 | 2014-01-29 | 合肥工业大学 | 一种基于局部稀疏表示的联合目标追踪方法及其系统 |
CN103870839A (zh) * | 2014-03-06 | 2014-06-18 | 江南大学 | 视频目标在线多特征跟踪方法 |
CN104156978A (zh) * | 2014-07-04 | 2014-11-19 | 合肥工业大学 | 基于球载平台的多目标动态跟踪方法 |
CN104408748A (zh) * | 2014-12-05 | 2015-03-11 | 北京航空航天大学 | 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140727A1 (en) * | 2013-06-17 | 2016-05-19 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirket I | A method for object tracking |
-
2017
- 2017-01-19 CN CN201710038543.6A patent/CN106934339B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544483A (zh) * | 2013-10-25 | 2014-01-29 | 合肥工业大学 | 一种基于局部稀疏表示的联合目标追踪方法及其系统 |
CN103870839A (zh) * | 2014-03-06 | 2014-06-18 | 江南大学 | 视频目标在线多特征跟踪方法 |
CN104156978A (zh) * | 2014-07-04 | 2014-11-19 | 合肥工业大学 | 基于球载平台的多目标动态跟踪方法 |
CN104408748A (zh) * | 2014-12-05 | 2015-03-11 | 北京航空航天大学 | 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106934339A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909651B (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
CN111104867B (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
CN108921107B (zh) | 基于排序损失和Siamese网络的行人再识别方法 | |
JP6482195B2 (ja) | 画像認識装置、画像認識方法及びプログラム | |
EP1530157B1 (en) | Image matching system using 3-dimensional object model, image matching method, and image matching program | |
US7957557B2 (en) | Tracking apparatus and tracking method | |
WO2015161776A1 (en) | Hand motion identification method and apparatus | |
CN108280421B (zh) | 基于多特征深度运动图的人体行为识别方法 | |
CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
CN110796074A (zh) | 一种基于时空数据融合的行人再识别方法 | |
CN111414875B (zh) | 基于深度回归森林的三维点云头部姿态估计系统 | |
CN111626194A (zh) | 一种使用深度关联度量的行人多目标跟踪方法 | |
CN106934339B (zh) | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 | |
Bouachir et al. | Structure-aware keypoint tracking for partial occlusion handling | |
CN111967433A (zh) | 一种基于自监督学习网络的动作识别办法 | |
Moujtahid et al. | Classifying global scene context for on-line multiple tracker selection | |
CN114169425B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
Lin et al. | Citrus segmentation for automatic harvester combined with adaboost classifier and Leung-Malik filter bank | |
CN110930436B (zh) | 一种目标跟踪方法及设备 | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
CN113763418B (zh) | 一种基于头肩检测的多目标跟踪方法 | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN110503663B (zh) | 一种基于抽帧检测的随机多目标自动检测跟踪方法 | |
EP3800578A1 (en) | Hierarchical sampling for object identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |