本發(fā)明涉及信息技術(shù)領(lǐng)域，具體涉及一種多目標(biāo)跟蹤的方法。

背景技術(shù)：

視頻中多目標(biāo)(人)的追蹤效果由于受到多種因素的影響，如：復(fù)雜背景，光照，形變，運(yùn)動(dòng)方向，遮擋，合并，分離等，致使實(shí)現(xiàn)高效可靠的多目標(biāo)(人)跟蹤成為一個(gè)較為困難的問(wèn)題。目前實(shí)現(xiàn)多目標(biāo)跟蹤方法之一是：利用穩(wěn)定的特征空間，如目標(biāo)的顏色，對(duì)比度，方向梯度直方圖等特征，建立跟蹤隊(duì)列，以窗口滑動(dòng)的方式進(jìn)行跟蹤。但由于存在上述的諸多影響因素，目標(biāo)穩(wěn)定的特征較難提取。

另一方面，一些基于“檢測(cè)的跟蹤”方法應(yīng)用在單目標(biāo)跟蹤中，其本質(zhì)是一個(gè)在線的二元判別分類器，通過(guò)跟蹤目標(biāo)的當(dāng)前位置，在目標(biāo)的一定鄰域內(nèi)給出正負(fù)樣本，訓(xùn)練分類器，預(yù)測(cè)下一幀目標(biāo)可能出現(xiàn)的位置并用分類器進(jìn)行判斷，在最大可能性出現(xiàn)的位置上如果判斷為正，則視為跟蹤到目標(biāo)，如此遞進(jìn)地對(duì)目標(biāo)實(shí)現(xiàn)跟蹤。然而，樣本的選取并非總是非常精準(zhǔn)，有時(shí)(甚至經(jīng)常)會(huì)產(chǎn)生一定的偏差，于是，由此偏差樣本訓(xùn)練出的分類器在預(yù)測(cè)目標(biāo)的下一位置時(shí)亦會(huì)產(chǎn)生一定的偏差，如果對(duì)此偏差不能很好地進(jìn)行控制或修正，分類器的判別能力就會(huì)退化，經(jīng)過(guò)一段時(shí)間的累積，則會(huì)產(chǎn)生目標(biāo)“漂移”的后果。所謂漂移，是指錯(cuò)誤地成為物體模型一部分的像素將模型拉離正確的位置致使跟蹤目標(biāo)失真的現(xiàn)象。

鑒于目標(biāo)“漂移”這一現(xiàn)象，borisbabenko等人提出了利用“在線的多事例學(xué)習(xí)”(onlinemultipleinstancelearning)方法來(lái)加強(qiáng)目標(biāo)跟蹤的穩(wěn)定性。在多事 例學(xué)習(xí)方法中，“事例”是指學(xué)習(xí)或訓(xùn)練的樣本。一般算法中，樣本是以一個(gè)個(gè)的單體形式出現(xiàn)，而在多事例學(xué)習(xí)算法中，學(xué)習(xí)或訓(xùn)練時(shí)樣本是以集合(即“包”)的形式出現(xiàn)，一個(gè)標(biāo)記對(duì)應(yīng)一個(gè)包而非一個(gè)樣本，若包中含有至少一個(gè)正樣本，則此包標(biāo)記為“正包”，否則為“負(fù)包”。此算法的目標(biāo)是通過(guò)訓(xùn)練，學(xué)習(xí)得到正包中哪個(gè)目標(biāo)是“最正確”。而包中的多個(gè)樣本也使得學(xué)習(xí)與訓(xùn)練有更大的選擇性，訓(xùn)練出的分類器具有更準(zhǔn)確的判別性以解決目標(biāo)“漂移”問(wèn)題。

現(xiàn)有的跟蹤算法在多目標(biāo)跟蹤方面的應(yīng)用主要存在以下兩方面的問(wèn)題：一是，存在多目標(biāo)時(shí)，特別在目標(biāo)模型密集場(chǎng)景下，目標(biāo)之間的遮擋成為非常嚴(yán)重的一個(gè)問(wèn)題，從而會(huì)導(dǎo)致“跟丟”；二是，如果目標(biāo)具有相似性，在跟蹤中會(huì)出現(xiàn)將目標(biāo)a跟蹤為b，將目標(biāo)b跟蹤為c，即“跟錯(cuò)”現(xiàn)象。而現(xiàn)有的多事例跟蹤算法是用貪婪算法對(duì)目標(biāo)可能出現(xiàn)的下一幀位置進(jìn)行預(yù)測(cè)，然后用事先訓(xùn)練好的分類器對(duì)預(yù)測(cè)的位置進(jìn)行判斷，但只應(yīng)用于對(duì)單目標(biāo)的跟蹤。

技術(shù)實(shí)現(xiàn)要素：

為克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種多目標(biāo)跟蹤的方法，采用分類器和匹配度相結(jié)合的方法，可對(duì)多個(gè)目標(biāo)進(jìn)行跟蹤，并可實(shí)時(shí)在線地更新分類器，能夠改善多目標(biāo)跟蹤中“跟丟”和/或“跟錯(cuò)”的問(wèn)題，提高多目標(biāo)跟蹤的準(zhǔn)確性。

根據(jù)本發(fā)明的一個(gè)方面，一種多目標(biāo)跟蹤的方法包括下述步驟：利用預(yù)定目標(biāo)檢測(cè)技術(shù)在第一幀視頻中檢測(cè)一個(gè)或多個(gè)跟蹤目標(biāo)；從第一幀視頻提取特征；提取用于訓(xùn)練分類器的樣本，并對(duì)分類器進(jìn)行訓(xùn)練；使用訓(xùn)練的分類器從第一幀視頻之后的第二幀視頻檢測(cè)所述一個(gè)或多個(gè)跟蹤目標(biāo)；從第二幀視頻提取特征；確定從第一幀視頻提取的特征與從第二幀視頻提取的特征之間的第一匹配度；基于所述分類器檢測(cè)的所述一個(gè)或多個(gè)跟蹤目標(biāo)的結(jié)果和所述第一匹 配度，確定所述一個(gè)或多個(gè)跟蹤目標(biāo)在第二幀視頻中的位置。

可選擇地，分別從第一幀視頻中的多個(gè)第一圖像塊提取特征；利用所述分類器判斷第二幀視頻中的與所述多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二圖像塊中存在每個(gè)跟蹤目標(biāo)的概率；分別從第二幀視頻中的與所述多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二圖像塊提取特征；其中，對(duì)應(yīng)的第一圖像塊和第二圖像塊的大小和位置相同；計(jì)算對(duì)應(yīng)的第一圖像塊和第二圖像塊的特征之間的相似度作為第一匹配度；針對(duì)任意一個(gè)跟蹤目標(biāo)，計(jì)算每個(gè)第二圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第一匹配度的和，并確定所述和最大的第二圖像塊的位置作為所述任意一個(gè)跟蹤目標(biāo)在第二幀視頻中的位置。

可選擇地，提取用于訓(xùn)練分類器的樣本的步驟包括：分別以檢測(cè)的一個(gè)或多個(gè)跟蹤目標(biāo)在第一幀視頻中的位置為中心，在小于第一半徑的范圍內(nèi)提取正樣本，在大于第一半徑和小于第二半徑的范圍內(nèi)提取負(fù)樣本。

可選擇地，所述多個(gè)第一圖像塊位于第一幀視頻中分別以檢測(cè)的各個(gè)跟蹤目標(biāo)在第一幀視頻中的位置為中心，小于第三半徑的范圍內(nèi)。

可選擇地，若第二幀視頻之后還有第三幀視頻輸入，則多目標(biāo)跟蹤的方法的步驟還包括：更新用于訓(xùn)練所述分類器的樣本，并對(duì)所述分類器重新進(jìn)行訓(xùn)練；利用重新訓(xùn)練的所述分類器從第二幀視頻之后的第三幀視頻中檢測(cè)所述一個(gè)或多個(gè)跟蹤目標(biāo)；從第三幀視頻提取特征；確定從第三幀視頻提取的特征與從第二幀視頻提取的特征之間的第二匹配度；基于重新訓(xùn)練的所述分類器檢測(cè)的所述一個(gè)或多個(gè)跟蹤目標(biāo)的結(jié)果和所述第二匹配度，確定所述一個(gè)或多個(gè)跟蹤目標(biāo)在第三幀視頻中的位置。

可選擇地，利用重新訓(xùn)練的所述分類器判斷第三幀視頻中與所述多個(gè)第二圖像塊對(duì)應(yīng)的多個(gè)第三圖像塊中存在每個(gè)跟蹤目標(biāo)的概率；分別從第三幀視頻 中的與所述多個(gè)第二圖像塊對(duì)應(yīng)的多個(gè)圖像塊提取特征；其中，對(duì)應(yīng)的第三圖像塊和第二圖像塊的大小和位置相同；計(jì)算對(duì)應(yīng)的第三圖像塊和第二圖像塊的特征之間的相似度作為第二匹配度；針對(duì)任意一個(gè)跟蹤目標(biāo)，計(jì)算每個(gè)第三圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第二匹配度的和，并確定每個(gè)第三圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第二匹配度的和最大的第三圖像塊的位置作為所述任意一個(gè)跟蹤目標(biāo)在第三幀視頻中的位置。

可選擇地，更新用于訓(xùn)練所述分類器的樣本的步驟包括：分別以檢測(cè)的各個(gè)跟蹤目標(biāo)在第二幀視頻中的位置為中心，在小于第一半徑范圍內(nèi)提取正樣本；在大于第一半徑和小于第二半徑的范圍內(nèi)提取負(fù)樣本。

可選擇地，第一半徑<第二半徑<第三半徑。

可選擇地，采用在線多事例學(xué)習(xí)的方法訓(xùn)練所述分類器。

本發(fā)明將上一幀確定的跟蹤目標(biāo)的位置作為的當(dāng)前幀對(duì)跟蹤目標(biāo)進(jìn)行檢測(cè)跟蹤的起點(diǎn)，且需要基于跟蹤目標(biāo)的當(dāng)前位置選取正樣本和負(fù)樣本，更新用于下一幀的跟蹤目標(biāo)檢測(cè)時(shí)訓(xùn)練分類器的樣本，可有效改善目標(biāo)(尤其是多目標(biāo))跟蹤中出現(xiàn)的“跟丟”的問(wèn)題；并且時(shí)采用分類器與特征向量匹配概率相結(jié)合的方法確定每一幀中跟蹤目標(biāo)的位置，可有效改善目標(biāo)(尤其是多目標(biāo))跟蹤中出現(xiàn)的“跟錯(cuò)”的問(wèn)題。

附圖說(shuō)明

從下面結(jié)合附圖進(jìn)行的描述，本發(fā)明的特定實(shí)施例的以上和其他方面、特征和優(yōu)點(diǎn)將更加清楚，其中：

圖1a是根據(jù)本發(fā)明實(shí)施例的多目標(biāo)跟蹤方法的流程圖；

圖1b是示出根據(jù)本發(fā)明的另一個(gè)實(shí)施例的在第三幀視頻中檢測(cè)一個(gè)或多個(gè)跟蹤目標(biāo)的方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的基于“在線多事例學(xué)習(xí)”訓(xùn)練分類器的方法流程圖；

圖3是根據(jù)本發(fā)明實(shí)施例的對(duì)n個(gè)目標(biāo)位置進(jìn)行檢測(cè)的方法的流程圖。

具體實(shí)施方式

提供參照附圖的以下描述以幫助全面理解由權(quán)利要求及其等同物限定的本發(fā)明的各種實(shí)施例。以下描述包括用于幫助理解的各種具體細(xì)節(jié)，但是這些細(xì)節(jié)應(yīng)被僅視為示例性的。相應(yīng)地，本領(lǐng)域的普通技術(shù)人員將認(rèn)識(shí)到，在不脫離本發(fā)明的范圍和精神的情況下，可對(duì)這里描述的各種實(shí)施例進(jìn)行各種改變和修改。

以下，參照附圖來(lái)詳細(xì)說(shuō)明本發(fā)明的實(shí)施例。

圖1a是根據(jù)本發(fā)明的一個(gè)實(shí)施例的多目標(biāo)跟蹤方法的流程圖。

在步驟s101，利用預(yù)定目標(biāo)檢測(cè)技術(shù)在第一幀視頻中檢測(cè)跟蹤目標(biāo)。

在第一幀視頻中，檢測(cè)出n個(gè)待跟蹤的目標(biāo)并標(biāo)記n個(gè)目標(biāo)的初始位置，其中，n表示目標(biāo)的個(gè)數(shù)，n≥1。

預(yù)定目標(biāo)檢測(cè)技術(shù)可以采用多種方法，例如：幀差法、背景減除法、光流法、方向梯度特征等，也可以通過(guò)手動(dòng)方式標(biāo)注待跟蹤的目標(biāo)的初始位置。

雖然上文列舉了幾種可用于預(yù)定目標(biāo)檢測(cè)的技術(shù)，但可采用的技術(shù)并不受限于此，可以采用任何其他合適的可用于預(yù)定目標(biāo)檢測(cè)的技術(shù)。

在步驟s102，從第一幀視頻提取特征。

具體地說(shuō)，從在第一幀視頻劃分的多個(gè)第一圖像塊提取特征。,

在一個(gè)優(yōu)選實(shí)施例中，僅從第一幀視頻的特定位置的第一圖像塊提取特征。具體地說(shuō)，設(shè)置半徑s，在第一幀的視頻中，以檢測(cè)的每個(gè)跟蹤目標(biāo)在第一幀視頻中的位置為中心，在小于半徑s的范圍內(nèi)提取多個(gè)第一圖像塊，并從所述多個(gè) 第一圖像塊提取特征。

在此情況下，對(duì)任意一個(gè)跟蹤目標(biāo)，提取的多個(gè)第一圖像塊可表示為：其中，x¹表示多個(gè)第一圖像塊，l(x¹)表示在第一幀視頻中多個(gè)第一圖像塊x¹的位置，表示檢測(cè)的跟蹤目標(biāo)在第一幀視頻中的位置；然后分別從多個(gè)第一圖像塊提取特征，用v¹表示。

在步驟s103，提取用于訓(xùn)練分類器的樣本，并對(duì)分類器進(jìn)行訓(xùn)練。

可利用檢測(cè)的一個(gè)或多個(gè)跟蹤目標(biāo)在第一幀視頻中的位置提取訓(xùn)練分類器的正樣本和負(fù)樣本。例如，在所述位置處提取正樣本，在其他位置處提取負(fù)樣本。

在一個(gè)優(yōu)選的實(shí)施例中，可分別以檢測(cè)的一個(gè)或多個(gè)跟蹤目標(biāo)在第一幀視頻中的位置為中心，在小于第一半徑的范圍內(nèi)提取正樣本，在大于第一半徑和小于第二半徑的范圍內(nèi)提取負(fù)樣本。

具體地說(shuō)，預(yù)先設(shè)置滿足γ<β<s的半徑γ和β，以檢測(cè)的每個(gè)跟蹤目標(biāo)在第一幀視頻中的位置為中心，在小于半徑γ的范圍內(nèi)提取正樣本；在大于半徑γ和小于半徑β的范圍內(nèi)提取負(fù)樣本。

然后，使用正樣本和負(fù)樣本分別對(duì)一個(gè)或者多個(gè)跟蹤目標(biāo)的分類器進(jìn)行訓(xùn)練，并且可采用多種方法訓(xùn)練分類器。在一個(gè)優(yōu)選的實(shí)施例中，可采用基于“在線多事例學(xué)習(xí)”的方法來(lái)訓(xùn)練分類器。

圖2是基于“在線多事例學(xué)習(xí)”訓(xùn)練分類器的方法流程圖。

參照?qǐng)D2，根據(jù)本發(fā)明的實(shí)施例的訓(xùn)練分類器的基本思路為：通過(guò)對(duì)特征池中的m個(gè)弱分類器訓(xùn)練得到k個(gè)強(qiáng)分類器，然后利用k個(gè)強(qiáng)分類器確定分類器。

具體來(lái)說(shuō)，針對(duì)n個(gè)跟蹤目標(biāo)中的每一個(gè)均進(jìn)行如下操作：

在步驟s201，輸入用于訓(xùn)練任意一個(gè)跟蹤目標(biāo)的分類器的樣本。

具體地說(shuō)，用于訓(xùn)練任意一個(gè)跟蹤目標(biāo)的分類器的正樣本和負(fù)樣本可表示為數(shù)據(jù)集其中，1≤c≤c，c為數(shù)據(jù)集包含的樣本包的個(gè)數(shù)，xc表示數(shù)據(jù)集中的第c個(gè)樣本包，yc表示樣本包xc的標(biāo)簽，yc＝1表示xc為正包，yc＝0表示xc為負(fù)包；每個(gè)樣本包內(nèi)包含足夠多的示例以實(shí)現(xiàn)對(duì)弱分類器的有效訓(xùn)練，例如，第c個(gè)樣本包可表示為xc＝{xc1,xc2,…,xcd,…}，xcd表示第c個(gè)樣本包中的第d個(gè)示例。

在步驟s202，利用數(shù)據(jù)集更新特征池中的m個(gè)弱分類器。

在步驟s203，首先，設(shè)置hm為第m個(gè)弱分類器，1≤m≤m；hk為第k個(gè)強(qiáng)分類器，1≤k≤κ；h為最終所需要的分類器；然后，初始化分類器h＝0，并令k＝1。

在步驟s204使m＝1。

在步驟s205，首先，針對(duì)第m個(gè)弱分類器，利用所述的數(shù)據(jù)集訓(xùn)練第m個(gè)弱分類器，得到每一個(gè)示例是正樣本的概率，進(jìn)而得到第c個(gè)樣本包xc是正包的概率。例如，第c個(gè)樣本包中第d個(gè)示例是正樣本的概率為：則計(jì)算第c個(gè)樣本包xc是正包的概率為：

在步驟s206，利用公式(1)計(jì)算xc是正包的log相似度。

在步驟s207，判斷m是否等于m；若m不等于m，則令m+1，并重復(fù)步驟s205～s206繼續(xù)訓(xùn)練弱分類器；若m＝m，則進(jìn)行步驟s208；

在步驟s208，將得到的正包的log相似度最大的弱分類器作為第k個(gè)強(qiáng)分類器，即：由m^*＝argmaxml^m得到正包相似度最大的弱分類器的序號(hào)，進(jìn)而得到 針對(duì)某一個(gè)特征的最合適的弱分類器然后，將賦給hk，即第k個(gè)強(qiáng)分類器

在步驟s209，利用h＝h+hk更新分類器。

在步驟s210，判斷k是否等于k，若k<k，則令k+1,然后按照s204～s209繼續(xù)訓(xùn)練分類器；若k＝k，則停止訓(xùn)練分類器，并輸出訓(xùn)練的分類器h。

返回圖1a，在步驟s104，使用訓(xùn)練的分類器從第一幀視頻之后的第二幀視頻檢測(cè)所述一個(gè)或多個(gè)跟蹤目標(biāo)。這里，輸入第一幀視頻之后的第二幀視頻，第一幀視頻和第二幀視頻可以是相鄰的兩幀視頻，或者是存在一定時(shí)間間隔的兩幀視頻。

具體地說(shuō)，利用所述分類器判斷第二幀視頻中的與所述多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二圖像塊中存在每個(gè)跟蹤目標(biāo)的概率。

在此情況下，可按照與提取多個(gè)第一圖像塊的方法相類似的方法，在第二幀視頻中提取與多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二圖像塊；且對(duì)應(yīng)的第一圖像塊和第二圖像塊在形狀和位置上相同。

具體地說(shuō)，對(duì)任意一個(gè)跟蹤目標(biāo)，提取的多個(gè)第二圖像塊可表示為：此處，x²表示多個(gè)第二圖像塊，l2(x²)表示在第二幀視頻中多個(gè)第二圖像塊x²的位置，表示第一幀的圖像中各個(gè)跟蹤目標(biāo)的位置。

雖然上文描述了提取多個(gè)第二圖像塊的方法，但是本發(fā)明不局限于此，并且可以多種方法提取所述多個(gè)第二圖像塊。

然后，利用所述分類器判斷與多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二圖像塊中存在所述跟蹤目標(biāo)的概率，此概率可具體地表示為：p1＝p(y＝1|x²)。

在步驟s105，從第二幀視頻提取特征。

具體地說(shuō)，分別從第二幀視頻中的與所述多個(gè)第一圖像塊對(duì)應(yīng)的多個(gè)第二 圖像塊提取特征，用v²表示。

在步驟s106，確定從第一幀視頻提取的特征與從第二幀視頻提取的特征之間的第一匹配度。

具體地說(shuō)，計(jì)算對(duì)應(yīng)的第一圖像塊和第二圖像塊的特征之間的相似度作為第一匹配度。根據(jù)本發(fā)明的一個(gè)優(yōu)選的實(shí)施例，對(duì)應(yīng)的第一圖像塊和第二圖像塊的特征之間的相似度可表示為：對(duì)應(yīng)的第一圖像塊和第二圖像塊的特征之間的特征匹配概率p2＝p(v²|v¹)。

在步驟s107，基于所述分類器檢測(cè)的所述一個(gè)或多個(gè)跟蹤目標(biāo)的結(jié)果和所述第一匹配度，確定所述一個(gè)或多個(gè)跟蹤目標(biāo)在第二幀視頻中的位置。

具體地說(shuō)，針對(duì)任意一個(gè)跟蹤目標(biāo)，計(jì)算每個(gè)第二圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第一匹配度的和，并確定所述和最大的第二圖像塊的位置作為所述任意一個(gè)跟蹤目標(biāo)在第二幀視頻中的位置。

例如，可利用下面的公式(2)確定任意一個(gè)跟蹤目標(biāo)在第二幀視頻中的位置

圖1b是示出根據(jù)本發(fā)明的另一個(gè)實(shí)施例的在第三幀視頻中檢測(cè)一個(gè)或多個(gè)跟蹤目標(biāo)的方法的流程圖，若第二幀視頻之后還有第三幀視頻輸入，則按照下面的步驟繼續(xù)對(duì)一個(gè)或者多個(gè)跟蹤目標(biāo)進(jìn)行檢測(cè)跟蹤。

在步驟s108，更新用于訓(xùn)練所述分類器的樣本，并對(duì)所述分類器重新進(jìn)行訓(xùn)練。

具體地說(shuō)，可利用檢測(cè)的一個(gè)或多個(gè)跟蹤目標(biāo)在第二幀視頻中的位置提取訓(xùn)練分類器的樣本。在一個(gè)優(yōu)選的實(shí)施例中，分別以檢測(cè)的各個(gè)跟蹤目標(biāo)在第二幀視頻中的位置為中心，在小于第一半徑范圍內(nèi)提取正樣本；在大于第一半 徑和小于第二半徑的范圍內(nèi)提取負(fù)樣本。

然后，利用更新的用于訓(xùn)練所述分類器的樣本分別對(duì)一個(gè)或者多個(gè)跟蹤目標(biāo)的分類器進(jìn)行訓(xùn)練，并且可采用多種方法重新訓(xùn)練分類器。在一個(gè)優(yōu)選的實(shí)施例中，可采用與圖2示出的步驟s201～s210相同的方法重新訓(xùn)練所述分類器。

在步驟s109，利用重新訓(xùn)練的所述分類器從第二幀視頻之后的第三幀視頻中檢測(cè)所述一個(gè)或多個(gè)跟蹤目標(biāo)。

具體地說(shuō)，利用重新訓(xùn)練的所述分類器判斷第三幀視頻中與所述多個(gè)第二圖像塊對(duì)應(yīng)的多個(gè)第三圖像塊中存在每個(gè)跟蹤目標(biāo)的概率。

這里，所述多個(gè)第三圖像塊分別與所述多個(gè)第二圖像塊相對(duì)應(yīng)，且對(duì)應(yīng)的第三圖像塊和第二圖像塊在形狀和位置上相同。

根據(jù)與從第一幀視頻的特定位置的第一圖像塊提取特征的一個(gè)優(yōu)選實(shí)施例的相類似的方法，在第三幀視頻中，可分別以檢測(cè)的各個(gè)跟蹤目標(biāo)在第二幀視頻中的位置為中心，在小于第三半徑的范圍內(nèi)提取多個(gè)第三圖像塊。

在步驟s110，從第三幀視頻提取特征。

具體地說(shuō)，從在在第三幀視頻劃分的多個(gè)第三圖像塊提取特征。

在步驟s111，確定從第三幀視頻提取的特征與從第二幀視頻提取的特征之間的第二匹配度。具體地說(shuō)，計(jì)算對(duì)應(yīng)的第三圖像塊和第二圖像塊的特征之間的相似度作為第二匹配度。根據(jù)本發(fā)明的一個(gè)優(yōu)選的實(shí)施例，對(duì)應(yīng)的第三圖像塊和第二圖像塊的特征之間的相似度可用提取的特征之間的特征匹配概率來(lái)表示。

在步驟s112，基于重新訓(xùn)練的所述分類器檢測(cè)的所述一個(gè)或多個(gè)跟蹤目標(biāo)的結(jié)果和所述第二匹配度，確定所述一個(gè)或多個(gè)跟蹤目標(biāo)在第三幀視頻中的位置。

具體地說(shuō)，針對(duì)任意一個(gè)跟蹤目標(biāo)，計(jì)算每個(gè)第三圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第二匹配度的和，并確定每個(gè)第三圖像塊存在所述任意一個(gè)跟蹤目標(biāo)的概率與對(duì)應(yīng)的第二匹配度的和最大的第三圖像塊的位置作為所述任意一個(gè)跟蹤目標(biāo)在第三幀視頻中的位置。

根據(jù)本發(fā)明的另一個(gè)示例性實(shí)施例，若第三幀視頻之后，還需要在第四幀視頻中對(duì)跟蹤目標(biāo)進(jìn)行檢測(cè)，則按照與步驟(s108)～步驟(s112)相類似的方法進(jìn)行檢測(cè)，并輸出各幀的視頻中一個(gè)或多個(gè)跟蹤目標(biāo)的跟蹤結(jié)果(例如，每幀中的一個(gè)或多個(gè)跟蹤目標(biāo)的位置軌跡圖)，直至沒(méi)有下一幀視頻幀輸入。

圖3是根據(jù)本發(fā)明的一個(gè)實(shí)施例的對(duì)n個(gè)目標(biāo)位置進(jìn)行檢測(cè)的方法的流程圖。

這里的圖3示出的流程圖描述的是總結(jié)上述的對(duì)多個(gè)目標(biāo)進(jìn)行檢測(cè)跟蹤的方法，從整體上闡述對(duì)任意幀視頻(用第t幀視頻表示任意幀視頻，且t>1)中的一個(gè)或多個(gè)跟蹤目標(biāo)進(jìn)行檢測(cè)的步驟，下面參照?qǐng)D3對(duì)此進(jìn)行地詳細(xì)具體描述。

在步驟s301，設(shè)在第t幀的視頻中檢測(cè)的目標(biāo)為第i個(gè)目標(biāo)，并且使i＝1。

在步驟s302，以第t-1幀的視頻中第i個(gè)目標(biāo)的位置為中心，s為半徑，在第t幀的視頻中提取圖像塊集合其中，x表示圖像塊，l(x)表示圖像塊x的位置，表示第t-1幀的圖像中第i個(gè)目標(biāo)的位置。

然后，計(jì)算第i個(gè)目標(biāo)在各個(gè)圖像塊中的特征向量這里，表示第i個(gè)目標(biāo)在第j個(gè)圖像塊中的特征向量

在步驟s303，使用分類器估計(jì)x∈x^s的各個(gè)圖像塊中目標(biāo)存在的概率p1＝p(y＝1|x)。這里，使用的分類器是經(jīng)過(guò)樣本訓(xùn)練的分類器，并且訓(xùn)練分類器所采用的方法與上文描述的相同，即可采用基于在線多事例學(xué)習(xí)或其他適合的 方法進(jìn)行分類器的訓(xùn)練。

在步驟s304，計(jì)算第t幀的視頻中第i個(gè)目標(biāo)在第j個(gè)圖像塊中的特征向量與第t-1的視頻中第i個(gè)目標(biāo)在第j個(gè)圖像塊中的特征向量之間的特征向量匹配概率

由于同一目標(biāo)的特征向量即使在不同幀中也會(huì)有高度的相似性，因此，可基于特征向量計(jì)算當(dāng)前幀檢測(cè)到的目標(biāo)與上一幀檢測(cè)到的目標(biāo)是同一目標(biāo)的概率，即特征向量匹配概率并以此作為目標(biāo)位置預(yù)測(cè)的依據(jù)，可而改善多目標(biāo)跟蹤中易出現(xiàn)“跟錯(cuò)”的問(wèn)題，從而提高多目標(biāo)跟蹤的準(zhǔn)確率；

在步驟s305，將x^s中p1＝p(y＝1|x)和之和最大值處的圖像塊的位置標(biāo)記為第t幀的視頻中第i個(gè)目標(biāo)的位置即：

在步驟s306，提取的γ鄰域內(nèi)的一組圖像塊為正樣本包，的(γ,β)環(huán)域內(nèi)的一組圖像塊為負(fù)樣本包，且γ<β<s。

用提取的正樣本包和負(fù)樣本包更新在下一幀視頻中訓(xùn)練分類器的樣本，由此，本發(fā)明可有效改善多目標(biāo)跟蹤中出現(xiàn)的“跟丟”的問(wèn)題。

在步驟s307，判斷i是否等于n；若i不等于n，則令i+1，并按照步驟s302～s306的對(duì)第i+1個(gè)目標(biāo)的位置進(jìn)行檢測(cè)；若i等于n，則輸出在第t幀的視頻中n個(gè)目標(biāo)的檢測(cè)結(jié)果(例如，可輸出各個(gè)跟蹤目標(biāo)的位置標(biāo)記圖)。

在此情況下，多任務(wù)和并行處理是有用的。也就是說(shuō)，本發(fā)明在對(duì)n個(gè)目標(biāo)的位置進(jìn)行預(yù)測(cè)跟蹤時(shí)，還可以同時(shí)開(kāi)辟多個(gè)隊(duì)列，并行地對(duì)n個(gè)目標(biāo)的進(jìn)行檢測(cè)，提高整個(gè)跟蹤算法的效率。

雖然上文中的各個(gè)步驟是以特定的順序被示出，但所述各個(gè)步驟不應(yīng)被解 釋為受限于特定的順序或者一系列連續(xù)的順序或者所有的步驟不應(yīng)被理解為以獲取期望結(jié)果而被執(zhí)行。

綜上所述，本發(fā)明將上一幀確定的跟蹤目標(biāo)的位置作為的當(dāng)前幀對(duì)跟蹤目標(biāo)進(jìn)行檢測(cè)跟蹤的起點(diǎn)，且需要基于跟蹤目標(biāo)的當(dāng)前位置選取正樣本和負(fù)樣本，更新用于下一幀的跟蹤目標(biāo)檢測(cè)時(shí)訓(xùn)練分類器的樣本，可有效改善目標(biāo)(尤其是多目標(biāo))跟蹤中出現(xiàn)的“跟丟”的問(wèn)題；并且時(shí)采用分類器與特征向量匹配概率相結(jié)合的方法確定每一幀中跟蹤目標(biāo)的位置，可有效改善目標(biāo)(尤其是多目標(biāo))跟蹤中出現(xiàn)的“跟錯(cuò)”的問(wèn)題。

綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。