CN109377514A

CN109377514A - 目标跟踪方法、装置、设备及计算机可读存储介质

Info

Publication number: CN109377514A
Application number: CN201811149881.8A
Authority: CN
Inventors: 陈典兵; 韩广良; 王宇庆; 吴笑天; 杨航
Original assignee: Changchun Institute of Optics Fine Mechanics and Physics of CAS
Current assignee: Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority date: 2018-09-29
Filing date: 2018-09-29
Publication date: 2019-02-22

Abstract

本发明实施例公开了一种目标跟踪方法、装置、设备及计算机可读存储介质。其中，方法包括确定实际应用场景的目标物体，计算其在PCA子空间的空间正交基向量集表示字典，获取当前帧图像中目标物体的多个候选粒子，基于预先构建的包含稀疏表示系数和稀疏表示误差向量的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量，然后基于稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率，并从中选择最大观测概率的候选粒子作为目标物体在当前帧图像的目标粒子，从而实现对目标物体的跟踪。本申请提供的技术方案提升了目标跟踪的准确度和精度，实现了实际应用场景中对目标持续稳定的跟踪。

Description

目标跟踪方法、装置、设备及计算机可读存储介质

技术领域

本公开实施例涉及计算机视觉技术领域，特别是涉及一种目标跟踪方法、装置、设备及计算机可读存储介质。

背景技术

随着计算机视觉技术的快速发展，目标跟踪技术也得到了相应的发展。目标跟踪为估计物体围绕一个场景运动时在图像平面中的轨迹的技术，也即目标跟踪的目的是为了定位目标在每帧视频图像中的位置，得到目标在每帧中的图像区域，产生目标运动轨迹。例如，一个跟踪系统给同一个视频中不同帧的跟踪目标分配相一致的标签，以表征该跟踪目标在视频中的运动轨迹。

基于稀疏模型的目标跟踪技术，通常在跟踪过程的初始时刻选定目标，并利用目标的相关信息(如颜色，灰度，外观以及姿态等)构建目标的信息字典。在实际应用中，信息字典一般为一维向量的组合矩阵，每一列代表对目标的一次采样。目前，多数基于稀疏模型的目标跟踪技术，往往只是利用简单的约束关系构建稀疏优化模型，如：

式中，D为目标字典，y为跟踪过程中对目标的一次采样，c为当前时刻目标利用字典D表示的系数；公式的第一项为L2范数约束，第二项为L0范数约束，由于L0范数的非连续性特性，在实际应用中多用L1范数替代L0范数，上述公式可优化为：

利用优化求解技术可以求解如上的最小化公式，便可得到利用字典D表示目标的系数c。

但是，该方法由于构建的模型较为简单，目标的系数表示系数的精度在多数跟踪应用场景中无法达到要求；而若为了达到高精度的求解，又需要复杂度很高的优化求解算法，复杂的求解方法需要耗费大量的计算时间，目标跟踪的处理效率较低，应用的实时性较差。也就是说，上述方法的目标的稀疏表示系数的精度较低，无法满足现实需求，如果要想获得目标较高精度的稀疏表示系数，则需要以时间作为代价。

发明内容

本公开实施例提供了一种目标跟踪方法、装置、设备及计算机可读存储介质，提升了目标跟踪的精度，实现了实际应用场景中对目标持续稳定的跟踪。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种目标跟踪方法，包括：

获取目标物体在实际应用场景中当前帧图像的多个候选粒子；

基于预先构建的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量；

基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率；

从中选择最大观测概率的候选粒子，以作为所述目标物体在所述当前帧图像的目标粒子；

其中，所述目标物体在PCA子空间中的空间正交基向量集作为字典；所述稀疏表示模型为基于稀疏表示系数和稀疏表示误差向量构建的模型。

可选的，在所述从中选择最大观测概率的候选粒子之后，还包括：

根据所述目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新所述目标物体的字典。

可选的，所述根据所述目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新所述目标物体的字典包括：

根据所述目标粒子在所述当前帧图像采集时刻的状态，在所述当前帧图像中提取相应的向量化图像区域数据；

当所述非零比率不大于所述第一阈值，将所述图像区域数据作为待更新数据存储至待更新数据集；

当所述非零比率大于所述第一阈值且不大于所述第二阈值，根据下述公式计算所述待更新数据集中待更新数据：

式中，为所述目标粒子，为所述目标粒子的待更新数据，为所述目标粒子的稀疏表示误差向量，为所述目标粒子的图像区域数据，μ(q)为所述PCA子空间的空间中心，q为向量中元素的标序；

当所述非零比率大于所述第二阈值，舍弃所述图像区域数据，所述待更新数据集不收集数据；

当所述待更新数据集中的数据量达到阈值，采用增量学习算法从所述待更新数据集学习新的正交基向量集和空间中心，以更新所述目标物体的字典。

可选的，所述稀疏表示模型为基于稀疏表示系数和稀疏表示误差向量构建的模型包括：

所述稀疏表示模型为：

式中，i为各候选粒子的标号，y_i为第i个候选粒子的向量化图像区域数据，c_i为第i个候选粒子利用所述字典U表示的稀疏表示系数，e_i为第i个候选粒子的稀疏表示误差向量，λ₁为调节所述稀疏表示系数稀疏度的标量，λ₂为调节所述稀疏表示向量误差稀疏度的标量。

可选的，所述基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率包括：

利用下述公式计算各候选粒子的评分分数：

式中，i为各候选粒子的标号，S_i为第i个候选粒子的评分分数，为滤除均值分量，c为利用所述字典U表示的稀疏表示系数，e为稀疏表示误差向量，λ为常数；

相应的，利用下述公式从中选择最大观测概率的候选粒子：

式中，i为各候选粒子的标号，为所述目标粒子，为第i个候选粒子在所述当前帧图像采集时刻t的状态，为各候选粒子的观测概率，z_t为观测向量。

可选的，所述获取目标物体在实际应用场景中当前帧图像的多个候选粒子包括：

在所述实际应用场景中获取包含目标物体的当前帧图像；

调用粒子滤波算法从所述当前帧图像中选取多个候选粒子。

本发明实施例另一方面提供了一种目标跟踪装置，包括：

候选粒子获取模块，用于获取目标物体在实际应用场景中当前帧图像的多个候选粒子；

稀疏表示模型构建模块，用于基于稀疏表示系数和稀疏表示误差向量构建稀疏表示模型，所述目标物体在PCA子空间中的空间正交基向量集作为字典；

模型参数计算模块，用于基于预先构建的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量；

概率计算模块，用于基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率；

目标粒子确定模块，用于从中选择最大观测概率的候选粒子，以作为所述目标物体在所述当前帧图像的目标粒子。

可选的，所述稀疏表示模型构建模块为利用下述公式构建模型的模块：

本发明实施例还提供了一种目标跟踪设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述目标跟踪方法的步骤。

本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有目标跟踪程序，所述目标跟踪程序被处理器执行时实现如前任一项所述目标跟踪方法的步骤。

本发明实施例提供了一种目标跟踪方法，确定实际应用场景的目标物体，计算其在PCA子空间的空间正交基向量集表示字典，获取当前帧图像中目标物体的多个候选粒子，基于稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量，然后基于稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率，并从中选择最大观测概率的候选粒子作为目标物体在当前帧图像的目标粒子，从而实现对目标物体的跟踪。

本申请提供的技术方案的优点在于，在PCA子空间下对目标物体进行表示，有效提高了提取目标特征的精度和准确度，从而有利于提升目标跟踪的准确度；在构建模型时加入稀疏表示误差向量，即考虑了误差对跟踪结果的影响，使得计算得到的稀疏表示系数有更高的精度和准确度，进而有利于获得更加精确的目标跟踪效果；此外，整个目标跟踪过程中的数据处理量与传统简单稀疏模型的目标跟踪技术相当，在相同时间内大幅提高了目标跟踪的准确度和精度，有效提升了实用性，实现了实际应用场景中对目标持续稳定的跟踪。

此外，本发明实施例还针对目标跟踪方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本公开根据一示例性实施例示出的一种目标跟踪方法的流程示意图；

图2为本公开根据另一示例性实施例示出的一种目标跟踪方法的流程示意图；

图3为本公开实施例提供的目标跟踪装置的一种具体实施方式结构图；

图4为本发明实施例提供的目标跟踪设备的另一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种目标跟踪方法的流程示意图，本发明实施例可包括以下内容：

S101：获取目标物体在实际应用场景中当前帧图像的多个候选粒子。

对实际应用场景中的目标物体进行跟踪时，可通过人工或检测器在实际应用场景中来选定目标物体。对选定的目标物体在PCA(Principal Component Analysis，主成分分析)子空间中计算其空间正交基向量集和空间中心，将空间正交基向量集作为目标物体的字典。

至于在PCA子空间中计算目标物体的空间正交基向量集和空间中心，可参阅相关技术的实现过程，此处，便不再赘述。

可选的，在读取目标物体在实际应用场景中的首帧图像时，可默认字典为空。读取该实际应用场景包含目标物体的下一帧图像，从该帧图像中提取多个候选粒子，这多个候选粒子中必然存在为目标物体的粒子。

该步骤中的当前帧图像为当前时刻(即当前帧图像和采集时刻相对应)采集的实际应用场景中的一张图像，该图像中包含目标物体。

在从每帧图像中提取多个候选粒子时，可采用任何一种可实现粒子选取功能的算法或技术，本申请对此不作任何限定。例如，在实际应用场景中采集得到的包含目标物体的当前帧图像之后，可调用粒子滤波算法从当前帧图像中选取多个粒子，作为候选粒子。

S102：基于预先构建的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量。

稀疏表示模型可为基于稀疏表示系数和稀疏表示误差向量预先构建的模型，本申请构建的稀疏表示模型在基本稀疏模型的基础上，还考虑稀疏表示误差向量。

此外，还可同时在粒子滤波的框架下利用L1范数分别约束稀疏表示系数与稀疏表示误差向量的稀疏性，并且利用L2范数建立表示误差与观测模型之间联系。

可选的，在一种具体的实施方式中，稀疏表示模型为利用下式进行描述：

式中，i为各候选粒子的标号，y_i为第i个候选粒子的向量化图像区域数据(也即为候选粒子在当前帧图像采集时刻的观测状态值)，c_i为第i个候选粒子利用字典U表示的稀疏表示系数，e_i为第i个候选粒子的稀疏表示误差向量，λ₁为调节稀疏表示系数稀疏度的标量，λ₂为调节稀疏表示向量误差稀疏度的标量。

在利用优化公式求解各个候选粒子的稀疏表示系数与稀疏表示误差向量时，优化问题就变为经典的最小绝对收缩与选择算法模型，该模型可以通过多种相关已公开算法求解，这均不影响本申请的实现。

例如，固定稀疏表示系数，优化问题变为一个凸优化问题，全局最小值可以通过收缩算子可求得稀疏表示误差向量最优值为式中，i为各候选粒子的标号，S_β为收缩算子函数，β为收缩算子函数的参数值，为滤除均值分量，保留差异量后的图像特征，y_i为第i个候选粒子的向量化图像区域数据，μ为PCA子空间的空间中心，U为目标物体的字典，c为利用字典U表示的稀疏表示系数。

S103：基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率。

在求解出了各个粒子的稀疏表示系数与稀疏表示误差向量以后，可通过观测模型计算每个粒子的评分，然后根据评分求出每个粒子的观测概率。

在一种具体的实施方式中，可利用下述公式计算各候选粒子的评分分数：

式中，i为各候选粒子的标号，S_i为第i个候选粒子的评分分数，为滤除均值分量，c为利用字典U表示的稀疏表示系数，e为稀疏表示误差向量，λ为常数。

S104：从中选择最大观测概率的候选粒子，以作为目标物体在当前帧图像的目标粒子。

定义t时刻(当前帧图像的采集时刻)目标观测集y_t，同时使得x_t表示目标物体在时刻t的状态，后验概率可以通过贝叶斯定理递归推出：

p(x_t|y_t)∝p(y_t|x_t)∫p(x_t|x_t-1)p(x_t-1|y_t-1)dx_t-1；

其中，p(x_t|x_t-1)为动态模型，一般可采用高斯分布进行描述。其中σ表示对角协方差矩阵，它的元素为状态变量x_t中分量的标准差：

p(x_t|x_t-1)＝N(x_t；x_t-1,σ)。

p(y_t|x_t)表示相似度测量，p(y_t|x_t)反应了目标物体的状态x_t与观测状态y_t之间的相似度。

那么当前t时刻的目标物体可以通过最大后验估计计算得出：

i∈(1,2,…,n)，i为候选粒子的序号。

在选取具有最大观测概率的后续粒子作为当前时刻的跟踪目标，可根据下述公式确定：

式中，i为各候选粒子的标号，为目标粒子，为第i个候选粒子在当前帧图像采集时刻t的状态，为各候选粒子的观测概率，z_t为贝叶斯定理中的观测向量，也即为观测到的目标。

需要说明的是，本公开实施例只是对目标物体在一帧图像中跟踪，实际目标跟踪应用中，循环执行S101-S104，直至跟踪结束。也就是说，对目标物体在预设时间段内(例如在1h内对目标物体进行跟踪)多帧彼此相邻的图像中分别采用S101-S104的方法进行目标粒子的确定，各帧图像中的目标粒子即为目标物体在实际应用场景中不同时刻的运动位置，将各目标粒子的位置相连，便得到目标物体在预设时间段内的运动轨迹，也就实现了对目标物体的跟踪。

在本发明实施例提供的技术方案中，在PCA子空间下对目标物体进行表示，有效提高了提取目标特征的精度和准确度，从而有利于提升目标跟踪的准确度；在构建模型时加入稀疏表示误差向量，即考虑了误差对跟踪结果的影响，使得计算得到的稀疏表示系数有更高的精度和准确度，进而有利于获得更加精确的目标跟踪效果；此外，整个目标跟踪过程中的数据处理量与传统简单稀疏模型的目标跟踪技术相当，在相同时间内大幅提高了目标跟踪的准确度和精度，有效提升了实用性，实现了实际应用场景中对目标持续稳定的跟踪。

为了平衡目标跟踪方法的速度与精度，本公开可采用隔帧更新，取代逐帧更新的机制，从而可以有效降低字典更新部分的计算代价又可保证本公开目标跟踪方法的精度。

基于上述实施例，请参阅图2，还可包括：

S105：根据目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新目标物体的字典。

稀疏表示误差向量的非零比率为稀疏表示误差向量中非零元素的比率Ratio，在S105中，可以预先设定两个不同大小的阈值，如第一阈值Low和第二阈值High，且第一阈值小于第二阈值，将Ratio、Low和High的值作比较，不同的关系代替目标物体在实际应用场景中的被遮挡不同状态，根据目标物体的遮挡状态对字典进行更新。

在一种具体的实施方式中，在当前帧图像中确定目标粒子后，可根据目标粒子在当前帧图像采集时刻的状态在当前帧图像中提取相应的向量化图像区域数据目标物体的状态一般可包含目标的横轴坐标，纵轴坐标，长宽比，宽度大小，扭曲度等形状信息。目标物体在每一时刻(或者是说每一帧图像中)都对应一组比如5帧图像，那么就有5个通过这5个利用增量学习的方法便可以学得新的空间正交基向量集和空间中心。

当非零比率不大于第一阈值(Ratio<Low)，将图像区域数据作为待更新数据存储至待更新数据集。此种情形表明目标物体没有出现较大的变化且没有出现被遮挡的情况，所选定的目标粒子可以很好的利

用字典表示。因此，可直接将该目标粒子对应图像区域数据存储至待更新数据集中。

当非零比率大于第一阈值且不大于第二阈值(Low<Ratio<High)，在该种情形下，表明目标物体出现了部分遮挡的情况，若是直接采用上述更新方式，会将误差引入字典中，最后导致目标跟踪发生漂移，降低目标跟踪的准确度。鉴于此，可利用稀疏表示误差向量的零元素与非零元素位置作为指导，重新构建待更新的数据，也即可根据下述公式计算待更新数据集中待更新数据，然后将计算得到的数据存储至待更新数据集中：

式中，为目标粒子，为目标粒子的待更新数据，为目标粒子的稀疏表示误差向量，为目标粒子的图像区域数据，μ(q)为PCA子空间的空间中心，q为向量中元素的标序；也即为待更新数据、图像区域数据及空间中心的内部元素的索引值，举例来说，对于d×1的向量，q为从1～d的标序，也即从1开始一直顺序查到d。

当非零比率大于第二阈值(Ratio>High)，该种情形表明目标物体被遮挡过大，如果更新会引入较大的误差，因此可选择不收集此时刻的跟踪结果，也即舍弃图像区域数据，待更新数据集不收集数据。

当待更新数据集中的数据量达到阈值，可采用增量学习算法从待更新数据集学习新的正交基向量集和空间中心，以更新目标物体的字典。阈值可为本领域技术人员根据具体实际情况和自身经验选取的值，以避免逐帧更新字典。

由上可知，依据稀疏表示表示误差的非零比率对字典进行灵活更新，使得字典能够更好的描述目标的变化，可以减少跟踪过程中字典更新部分引入的误差量，有利于保证目标物体的字典的准确性，防止目标跟踪发生漂移等现象发生，从而获得持久稳定的跟踪效果。

本发明实施例还针对目标跟踪方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的目标跟踪装置进行介绍，下文描述的目标跟踪装置与上文描述的目标跟踪方法可相互对应参照。

参见图3，图3为本发明实施例提供的目标跟踪装置在一种具体实施方式下的结构图，该装置可包括：

候选粒子获取模块301，用于获取目标物体在实际应用场景中当前帧图像的多个候选粒子。

稀疏表示模型构建模块302，用于基于稀疏表示系数和稀疏表示误差向量构建稀疏表示模型，目标物体在PCA子空间中的空间正交基向量集作为字典。

模型参数计算模块303，用于基于预先构建的稀疏表示模型，利用优化公式计算各候选粒子的稀疏表示系数和稀疏表示误差向量。

概率计算模块304，用于基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率。

目标粒子确定模块305，用于从中选择最大观测概率的候选粒子，以作为目标物体在当前帧图像的目标粒子。

可选的，在本实施例的一些实施方式中，请参阅图4，所述装置可以包括字典更新模块306，所述字典更新模块306可为根据目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新目标物体的字典的模块。

在一种实施方式中，所述字典更新模块306例如还可以包括：

图像区域数据提取子模块，用于根据目标粒子在当前帧图像采集时刻的状态，在当前帧图像中提取相应的向量化图像区域数据；

第一计算子模块，用于在非零比率不大于第一阈值，将图像区域数据作为待更新数据存储至待更新数据集；

第二计算子模块，用于在非零比率大于第一阈值且不大于第二阈值，根据下述公式计算待更新数据集中待更新数据：

式中，为目标粒子，为目标粒子的待更新数据，为目标粒子的稀疏表示误差向量，为目标粒子的图像区域数据，μ(q)为PCA子空间的空间中心，q为向量中元素的标序；

第三计算子模块，用于在当非零比率大于第二阈值，舍弃图像区域数据，待更新数据集不收集数据；

增量更新子模块，用于在待更新数据集中的数据量达到阈值，采用增量学习算法从待更新数据集学习新的正交基向量集和空间中心，以更新目标物体的字典。

可选的，在本实施例的另一些实施方式中，所述稀疏表示模型构建模块302还可为利用下述公式构建模型的模块：

式中，i为各候选粒子的标号，y_i为第i个候选粒子的向量化图像区域数据，c_i为第i个候选粒子利用字典U表示的稀疏表示系数，e_i为第i个候选粒子的稀疏表示误差向量，λ₁为调节稀疏表示系数稀疏度的标量，λ₂为调节稀疏表示向量误差稀疏度的标量。

此外，在其他一些实施方式中，所述概率计算模块304还可为利用下述公式计算各候选粒子的评分分数的模块：

式中，i为各候选粒子的标号，S_i为第i个候选粒子的评分分数，为滤除均值分量，c为利用字典U表示的稀疏表示系数，e为稀疏表示误差向量，λ为常数；

相应的，所述目标粒子确定模块305可为利用下述公式从中选择最大观测概率的候选粒子的模块：

式中，i为各候选粒子的标号，为目标粒子，为第i个候选粒子在当前帧图像采集时刻t的状态，为各候选粒子的观测概率，z_t为观测向量。

本发明实施例所述目标跟踪装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在PCA子空间下对目标物体进行表示，在获取目标特征方面，精度会更加精确。其次，在求解稀疏系数与更新字典部分，分别求解与结合了表示误差的信息，使得稀疏求解和字典更新的精度与准确度得到提高，使得基于稀疏表示的跟踪器获得更加精确的效果。最后，为了保证持续稳定的跟踪，算法评估了表示误差中的非零元素比率，并依据比率不同选择不同的字典更新方式，有助于保证目标字典的准确性，从而获得持久稳定的表示与跟踪。

本发明实施例还提供了一种目标跟踪设备，具体可包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如上任意一实施例所述目标跟踪方法的步骤。

本发明实施例所述目标跟踪设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例提升了目标跟踪的精度，实现了实际应用场景中对目标持续稳定的跟踪。

本发明实施例还提供了一种计算机可读存储介质，存储有目标跟踪程序，所述目标跟踪程序被处理器执行时如上任意一实施例所述目标跟踪方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种目标跟踪方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种目标跟踪方法，其特征在于，包括：

2.根据权利要求1所述的目标跟踪方法，其特征在于，在所述从中选择最大观测概率的候选粒子之后，还包括：

3.根据权利要求2所述的目标跟踪方法，其特征在于，所述根据所述目标粒子的稀疏表示误差向量的非零比率与第一阈值和第二阈值的之间数值关系，隔帧更新所述目标物体的字典包括：

4.根据权利要求1至3任意一项所述的目标跟踪方法，其特征在于，所述稀疏表示模型为基于稀疏表示系数和稀疏表示误差向量构建的模型包括：

所述稀疏表示模型为：

5.根据权利要求1至3任意一项所述的目标跟踪方法，其特征在于，所述基于各候选粒子的稀疏表示系数和稀疏表示误差向量计算各候选粒子的观测概率包括：

利用下述公式计算各候选粒子的评分分数：

相应的，利用下述公式从中选择最大观测概率的候选粒子：

6.根据权利要求4所述的目标跟踪方法，其特征在于，所述获取目标物体在实际应用场景中当前帧图像的多个候选粒子包括：

在所述实际应用场景中获取包含目标物体的当前帧图像；

调用粒子滤波算法从所述当前帧图像中选取多个候选粒子。

7.一种目标跟踪装置，其特征在于，包括：

8.根据权利要求7所述的目标跟踪装置，其特征在于，所述稀疏表示模型构建模块为利用下述公式构建模型的模块：

9.一种目标跟踪设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述目标跟踪方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有目标跟踪程序，所述目标跟踪程序被处理器执行时实现如权利要求1至6任一项所述目标跟踪方法的步骤。