本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種圖像處理方法及裝置。

背景技術(shù)：

在進(jìn)行圖像處理時(shí)經(jīng)常會(huì)涉及到對(duì)圖像中的操作對(duì)象的識(shí)別和追蹤，例如使用相機(jī)拍照時(shí)，需要對(duì)變化中的人物或風(fēng)景進(jìn)行捕捉(如將圖像中的人臉進(jìn)行圈畫)，進(jìn)而對(duì)操作對(duì)象進(jìn)行對(duì)焦和其他圖像清晰化處理。但是目前在進(jìn)行上述圖像處理時(shí)由于操作對(duì)象可能在不斷的運(yùn)動(dòng)中，或者時(shí)而靜止時(shí)而運(yùn)動(dòng)，這種情況下使用目前的圖像處理算法不能對(duì)操作對(duì)象進(jìn)行精確的定位，進(jìn)而影響拍攝效果，不能滿足用戶需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種圖像處理方法及裝置，該方法能夠精準(zhǔn)的確定操作對(duì)象的位置，并使得跟蹤操作對(duì)象的過程更加平滑，滿足用戶需求。

為了解決上述技術(shù)問題，本發(fā)明的實(shí)施例采用了如下技術(shù)方案：一種圖像處理方法，包括：

針對(duì)操作對(duì)象的圖像特征使用物體跟蹤算法獲取相應(yīng)的跟蹤權(quán)值；

針對(duì)操作對(duì)象的圖像特征使用物體檢測(cè)算法獲取相應(yīng)的檢測(cè)權(quán)值；其中，所述跟蹤權(quán)值用來表示所述物體跟蹤算法在所述圖像處理方法中具有的貢獻(xiàn)度，所述檢測(cè)權(quán)值用來表示所述物體檢測(cè)算法在所述圖像處理方法中具有的貢獻(xiàn)度；

根據(jù)所述跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)所述物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合，以獲得所述操作對(duì)象的目標(biāo)位置信息。

作為優(yōu)選，獲取所述跟蹤權(quán)值和檢測(cè)權(quán)值的步驟包括：分別獲取物體跟蹤算法和物體檢測(cè)算法針對(duì)操作對(duì)象的跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值；根據(jù)所述跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值生成所述跟蹤權(quán)值和檢測(cè)權(quán)值。

作為優(yōu)選，根據(jù)圖像中操作對(duì)象的先后視頻幀的特征點(diǎn)匹配精度和操作對(duì)象當(dāng)前幀與模板的相似度，分別獲取所述跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值。

作為優(yōu)選，獲取所述跟蹤權(quán)值和檢測(cè)權(quán)值的步驟還包括：根據(jù)操作對(duì)象在圖像中先后視頻幀的位置變化程度計(jì)算所述跟蹤權(quán)值，并由所述跟蹤權(quán)值計(jì)算所述檢測(cè)權(quán)值。

作為優(yōu)選，根據(jù)操作對(duì)象在先后視頻幀中形成的像素距離計(jì)算所述位置變化程度。

作為優(yōu)選，根據(jù)所述跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)所述物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合的步驟具體為：利用所述跟蹤權(quán)值和檢測(cè)權(quán)值，對(duì)所述物體跟蹤算法和物體檢測(cè)算法分別輸出的操作對(duì)象的位置信息進(jìn)行加權(quán)計(jì)算，生成所述目標(biāo)位置信息。

本發(fā)明實(shí)施例還提供了一種圖像處理裝置，包括存儲(chǔ)器和處理器，所述處理器和存儲(chǔ)器電連接，所述存儲(chǔ)器存儲(chǔ)有操作對(duì)象的圖像，物體跟蹤算法的相應(yīng)程序和物體檢測(cè)算法的相應(yīng)程序；

所述處理器執(zhí)行：

針對(duì)操作對(duì)象的圖像特征使用物體跟蹤算法獲取相應(yīng)的跟蹤權(quán)值；

針對(duì)操作對(duì)象的圖像特征使用物體檢測(cè)算法獲取相應(yīng)的檢測(cè)權(quán)值；其中，所述跟蹤權(quán)值用來表示所述物體跟蹤算法在所述圖像處理方法中具有的貢獻(xiàn)度，所述檢測(cè)權(quán)值用來表示所述物體檢測(cè)算法在所述圖像處理方法中具有的貢獻(xiàn)度；

根據(jù)所述跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)所述物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合，以獲得所述操作對(duì)象的目標(biāo)位置信息。

作為優(yōu)選，所述處理器獲取所述跟蹤權(quán)值和檢測(cè)權(quán)值執(zhí)行：分別獲取物體跟蹤算法和物體檢測(cè)算法針對(duì)操作對(duì)象的跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值；根據(jù)所述跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值生成所述跟蹤權(quán)值和檢測(cè)權(quán)值。

作為優(yōu)選，所述處理器獲取所述跟蹤權(quán)值和檢測(cè)權(quán)值還執(zhí)行：根據(jù)操作對(duì)象在圖像中先后視頻幀的位置變化程度計(jì)算所述跟蹤權(quán)值，并由所述跟蹤權(quán)值計(jì)算所述檢測(cè)權(quán)值。

作為優(yōu)選，所述處理器根據(jù)所述跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)所述物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合具體執(zhí)行：利用所述跟蹤權(quán)值和檢測(cè)權(quán)值，對(duì)所述物體跟蹤算法和物體檢測(cè)算法分別輸出的操作對(duì)象的位置信息進(jìn)行加權(quán)計(jì)算，生成所述目標(biāo)位置信息。

本發(fā)明實(shí)施例的有益效果在于：針對(duì)不同的情況發(fā)揮了物體跟蹤算法和物體檢測(cè)算法各自的優(yōu)勢(shì)，從而能夠精準(zhǔn)的確定操作對(duì)象的位置，并使得跟蹤操作對(duì)象的過程更加平滑，滿足用戶多種需求。

附圖說明

圖1為本發(fā)明實(shí)施例的圖像處理方法的流程圖；

圖2為本發(fā)明實(shí)施例的圖像處理方法的一種具體流程圖；

圖3為本發(fā)明實(shí)施例的圖像處理方法的另一種具體流程圖；

圖4為本發(fā)明實(shí)施例的跟蹤權(quán)值與像素距離的線性關(guān)系圖；

圖5為本發(fā)明實(shí)施例的圖像處理裝置的結(jié)構(gòu)框圖。

附圖標(biāo)記說明

1-處理器2-存儲(chǔ)器

具體實(shí)施方式

此處參考附圖描述本發(fā)明的各種方案以及特征。

應(yīng)理解的是，可以對(duì)此處公開的實(shí)施例做出各種修改。因此，上述說明書不應(yīng)該視為限制，而僅是作為實(shí)施例的范例。本領(lǐng)域的技術(shù)人員將想到在本發(fā)明的范圍和精神內(nèi)的其他修改。

包含在說明書中并構(gòu)成說明書的一部分的附圖示出了本發(fā)明的實(shí)施例，并且與上面給出的對(duì)本發(fā)明的大致描述以及下面給出的對(duì)實(shí)施例的詳細(xì)描述一起用于解釋本發(fā)明的原理。

通過下面參照附圖對(duì)給定為非限制性實(shí)例的實(shí)施例的優(yōu)選形式的描述，本發(fā)明的這些和其它特性將會(huì)變得顯而易見。

還應(yīng)當(dāng)理解，盡管已經(jīng)參照一些具體實(shí)例對(duì)本發(fā)明進(jìn)行了描述，但本領(lǐng)域技術(shù)人員能夠確定地實(shí)現(xiàn)本發(fā)明的很多其它等效形式，它們具有如權(quán)利要求所述的特征并因此都位于借此所限定的保護(hù)范圍內(nèi)。

當(dāng)結(jié)合附圖時(shí)，鑒于以下詳細(xì)說明，本發(fā)明的上述和其他方面、特征和優(yōu)勢(shì)將變得更為顯而易見。

此后參照附圖描述本發(fā)明的具體實(shí)施例；然而，應(yīng)當(dāng)理解，所公開的實(shí)施例僅僅是本發(fā)明的實(shí)例，其可采用多種方式實(shí)施。熟知和/或重復(fù)的功能和結(jié)構(gòu)并未詳細(xì)描述以避免不必要或多余的細(xì)節(jié)使得本發(fā)明模糊不清。因此，本文所公開的具體的結(jié)構(gòu)性和功能性細(xì)節(jié)并非意在限定，而是僅僅作為權(quán)利要求的基礎(chǔ)和代表性基礎(chǔ)用于教導(dǎo)本領(lǐng)域技術(shù)人員以實(shí)質(zhì)上任意合適的詳細(xì)結(jié)構(gòu)多樣地使用本發(fā)明。

本說明書可使用詞組“在一種實(shí)施例中”、“在另一個(gè)實(shí)施例中”、“在又一實(shí)施例中”或“在其他實(shí)施例中”，其均可指代根據(jù)本發(fā)明的相同或不同實(shí)施例中的一個(gè)或多個(gè)。

圖1為圖像處理方法的流程圖，本發(fā)明實(shí)施例的一種圖像處理方法，包括：針對(duì)操作對(duì)象的圖像特征使用物體跟蹤算法獲取相應(yīng)的跟蹤權(quán)值；針對(duì)操作對(duì)象的圖像特征使用物體檢測(cè)算法獲取相應(yīng)的檢測(cè)權(quán)值；其中，跟蹤權(quán)值用來表示物體跟蹤算法在圖像處理方法中具有的貢獻(xiàn)度，檢測(cè)權(quán)值用來表示物體檢測(cè)算法在圖像處理方法中具有的貢獻(xiàn)度；

物體跟蹤算法(目標(biāo)跟蹤算法)是以目標(biāo)跟蹤為目的，是定位目標(biāo)在每幀視頻圖像中的位置，產(chǎn)生目標(biāo)運(yùn)動(dòng)軌跡，目前，基于視覺的物體跟蹤算法(目標(biāo)跟蹤算法)依據(jù)目標(biāo)類型大致可以分為兩類：點(diǎn)目標(biāo)跟蹤、以及對(duì)于目標(biāo)占有一定區(qū)域有紋理、輪廓等特征的目標(biāo)跟蹤，其中后者可分為基于特征點(diǎn)檢測(cè)的方法、基于背景相減的幀差法、基于分割思想的方法及基于目標(biāo)形狀輪廓等特征的方法等。例如物體跟蹤算法(目標(biāo)跟蹤算法)包括有mean-shift算法(均值漂移算法)，camshift算法和tld算法等。跟蹤權(quán)值是物體跟蹤算法在整個(gè)圖像處理方法中的貢獻(xiàn)程度，如果該跟蹤權(quán)值大意味著物體跟蹤算法的計(jì)算結(jié)果可信度較高，反之則認(rèn)為物體跟蹤算法的計(jì)算結(jié)果可信度較低，而物體檢測(cè)算法的可信度較高；

物體檢測(cè)算法(物體識(shí)別算法)是選取有效的圖像特征點(diǎn)以解決在物品識(shí)別過程中圖像平移、圖像旋轉(zhuǎn)、尺度變化，同時(shí)降低在物品識(shí)別過程中出現(xiàn)的遮擋、圖像噪聲帶來的影響，以達(dá)到檢測(cè)(識(shí)別)物品的目的，例如物體檢測(cè)算法(物體識(shí)別算法)包括有sift/surt算法，haar特征算法和廣義hough變換算法等。檢測(cè)權(quán)值是物體檢測(cè)算法(物體識(shí)別算法)在整個(gè)圖像處理方法中的貢獻(xiàn)程度，如果該檢測(cè)權(quán)值大意味著物體檢測(cè)算法的計(jì)算結(jié)果可信度較高，反之則認(rèn)為物體檢測(cè)算法的計(jì)算結(jié)果可信度較低，而物體跟蹤算法的可信度較高；

根據(jù)跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合，以獲得操作對(duì)象的目標(biāo)位置信息。對(duì)于兩種算法的融合方式可以通過多種方式進(jìn)行，例如對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果(如兩種算法計(jì)算出的位置數(shù)據(jù))進(jìn)行加權(quán)平均，從而得到融合結(jié)果(如得到最終的位置數(shù)據(jù))，根據(jù)該融合結(jié)果能夠獲得操作對(duì)象的目標(biāo)位置信息，該融合的技術(shù)特征使得物體跟蹤算法和物體檢測(cè)算法同時(shí)作用于所述的圖像處理方法(作用的程度可能不相同)，能夠針對(duì)不同的情況分別體現(xiàn)出兩種算法各自的優(yōu)勢(shì)。此外該目標(biāo)位置信息從本質(zhì)上來說針對(duì)了實(shí)際的操作對(duì)象的圖像特征得出的，例如操作對(duì)象是在靜止的，移動(dòng)的或是在快速移動(dòng)的，對(duì)于同一個(gè)操作對(duì)象處于不同的狀態(tài)時(shí)，得到的目標(biāo)位置信息也是不同的。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合圖2并結(jié)合以下的公式(1)，公式(2)和公式(3)，獲取跟蹤權(quán)值和檢測(cè)權(quán)值的步驟包括：分別獲取物體跟蹤算法和物體檢測(cè)算法針對(duì)操作對(duì)象的跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值；根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值生成跟蹤權(quán)值和檢測(cè)權(quán)值。跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值分別為預(yù)先評(píng)估的物體跟蹤算法的計(jì)算精度，和物體檢測(cè)算法的計(jì)算精度。

優(yōu)選的，根據(jù)圖像中操作對(duì)象的先后視頻幀的特征點(diǎn)匹配精度和操作對(duì)象當(dāng)前幀與模板的相似度，分別獲取所述跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值。在具體來說，跟蹤算法評(píng)估值為根據(jù)前后視頻幀的特征點(diǎn)匹配精度，判斷當(dāng)前幀目標(biāo)圖像與跟蹤模板的相似程度等方法評(píng)估物體跟蹤算法的精度，并會(huì)將該跟蹤算法評(píng)估值歸一化到[0，1]區(qū)間；檢測(cè)算法評(píng)估值與此類似，檢測(cè)算法評(píng)估值為根據(jù)前后視頻幀的特征點(diǎn)匹配精度，判斷當(dāng)前幀目標(biāo)圖像與檢測(cè)模板的相似程度等方法評(píng)估物體檢測(cè)算法的精度，并會(huì)將該檢測(cè)算法評(píng)估值歸一化到[0，1]區(qū)間。

結(jié)合以下的公式(2)和公式(3)，在根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值計(jì)算跟蹤權(quán)值和檢測(cè)權(quán)值時(shí)，可以首先根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值計(jì)算出跟蹤權(quán)值，在根據(jù)跟蹤權(quán)值計(jì)算檢測(cè)權(quán)值。

以下為公式(1)，公式(2)和公式(3)的數(shù)學(xué)表達(dá)式：

wtracking＝atracking/adetection+atracking(1)

wdetection＝1-wtracking(2)

rfusion＝wtracking*rtracking+wdetection*rdetection(3)

其中，公式(1)中atracking為跟蹤算法評(píng)估值，adetection為檢測(cè)算法評(píng)估值，wtracking為跟蹤權(quán)值；

公式(2)中wdetection為檢測(cè)權(quán)值；

公式(3)中rtracking為物體跟蹤算法的計(jì)算結(jié)果，通常為物體的位置數(shù)據(jù)，rdetection為物體檢測(cè)算法的計(jì)算結(jié)果，通常也是為物體的位置數(shù)據(jù)，rfusion為圖像處理方法最終得到的物體的位置數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合圖3并結(jié)合以下的公式(4)，公式(5)和公式(6)，獲取跟蹤權(quán)值和檢測(cè)權(quán)值的步驟還包括：根據(jù)操作對(duì)象在圖像中先后視頻幀的位置變化程度計(jì)算跟蹤權(quán)值，并由跟蹤權(quán)值計(jì)算檢測(cè)權(quán)值。該步驟主要依據(jù)是物體跟蹤算法通常對(duì)物體運(yùn)動(dòng)做出假設(shè)，包括運(yùn)動(dòng)平滑性、勻速及勻加速等假設(shè)，當(dāng)物體運(yùn)動(dòng)位置變化較大時(shí)，跟蹤算法評(píng)估值通常會(huì)降低，相反地，物體檢測(cè)算法通常無需根據(jù)物體運(yùn)動(dòng)做出假設(shè)，在物體位置發(fā)生大幅度變化時(shí)檢測(cè)算法評(píng)估值通常較高。

優(yōu)選的，根據(jù)操作對(duì)象在先后視頻幀中形成的像素距離計(jì)算位置變化程度，由于現(xiàn)實(shí)的圖像實(shí)際上是由很多的像素點(diǎn)構(gòu)成的，像素距離是指顯示的圖像中相鄰兩個(gè)象素點(diǎn)之間的距離，像素距離值較大則說明對(duì)象的位置變化較大，像素距離值較小則說明對(duì)象的位置沒有變化或者位置變化較小，可以根據(jù)這些先后視頻幀中形成的像素距離計(jì)算位置變化程度。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合公式(3)和公式(6)，根據(jù)跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合的步驟具體為：利用跟蹤權(quán)值和檢測(cè)權(quán)值，對(duì)物體跟蹤算法和物體檢測(cè)算法分別輸出的操作對(duì)象的位置信息進(jìn)行加權(quán)計(jì)算，生成目標(biāo)位置信息。該加權(quán)計(jì)算可以為加權(quán)平均計(jì)算，也可以為插值計(jì)算，還可以為其他利用操作對(duì)象的位置信息和相應(yīng)的權(quán)值進(jìn)行的計(jì)算。

以下為公式(4)，公式(5)和公式(6)的數(shù)學(xué)表達(dá)式：

wdetection＝1-wtracking(5)

rfusion＝wtracking*rtracking+wdetection*rdetection(6)

其中，公式(4)中的wtracking為跟蹤權(quán)值，d為操作對(duì)象在先后視頻幀中形成的像素距離，w⁰t和w¹t為常數(shù)，在一個(gè)實(shí)施例中，w⁰t為0.1，w¹t為0.9；d1和d0為常數(shù)，在一個(gè)實(shí)施例中，d1為0.9，d0為0.1，在另一個(gè)實(shí)施例中，d1為100，d0為10；

公式(5)中wdetection為檢測(cè)權(quán)值；

公式(6)中rtracking為物體跟蹤算法的計(jì)算結(jié)果，通常為物體的位置數(shù)據(jù)，rdetection為物體檢測(cè)算法的計(jì)算結(jié)果，通常也是為物體的位置數(shù)據(jù)，rfusion為圖像處理方法最終得到的物體的位置數(shù)據(jù)。

下面結(jié)合圖4和公式(4)對(duì)d0，d1，w⁰t和w¹t關(guān)系進(jìn)行詳細(xì)的說明，d1和d0為像素的位置數(shù)值(通常為常數(shù))，w⁰t和w¹t為跟蹤權(quán)值(通常為常數(shù))，d0，d1，w⁰t和w¹t之間形成了線性關(guān)系，當(dāng)像素距離d按照?qǐng)D4中線性關(guān)系發(fā)生變化時(shí)，對(duì)應(yīng)的wtracking也隨之變化，該線性關(guān)系能夠直觀清楚的表達(dá)出d和wtracking的對(duì)應(yīng)關(guān)系，進(jìn)而可以確定wdetection。

本發(fā)明實(shí)施例還提供了一種圖像處理裝置，如圖5所示包括存儲(chǔ)器2和處理器1，處理器1和存儲(chǔ)器2電連接，存儲(chǔ)器2存儲(chǔ)有操作對(duì)象的圖像，物體跟蹤算法的相應(yīng)程序和物體檢測(cè)算法的相應(yīng)程序；

處理器1執(zhí)行：針對(duì)操作對(duì)象的圖像特征使用物體跟蹤算法獲取相應(yīng)的跟蹤權(quán)值；針對(duì)操作對(duì)象的圖像特征使用物體檢測(cè)算法獲取相應(yīng)的檢測(cè)權(quán)值；其中，跟蹤權(quán)值用來表示物體跟蹤算法在圖像處理方法中具有的貢獻(xiàn)度，檢測(cè)權(quán)值用來表示物體檢測(cè)算法在圖像處理方法中具有的貢獻(xiàn)度；

物體跟蹤算法(目標(biāo)跟蹤算法)是以目標(biāo)跟蹤為目的，是定位目標(biāo)在每幀視頻圖像中的位置，產(chǎn)生目標(biāo)運(yùn)動(dòng)軌跡，目前，基于視覺的物體跟蹤算法(目標(biāo)跟蹤算法)依據(jù)目標(biāo)類型大致可以分為兩類：點(diǎn)目標(biāo)跟蹤、以及對(duì)于目標(biāo)占有一定區(qū)域有紋理、輪廓等特征的目標(biāo)跟蹤，其中后者可分為基于特征點(diǎn)檢測(cè)的方法、基于背景相減的幀差法、基于分割思想的方法及基于目標(biāo)形狀輪廓等特征的方法等。例如物體跟蹤算法(目標(biāo)跟蹤算法)包括有mean-shift算法(均值漂移算法)，camshift算法和tld算法等。跟蹤權(quán)值是物體跟蹤算法在整個(gè)圖像處理方法中的貢獻(xiàn)程度，如果該跟蹤權(quán)值大意味著物體跟蹤算法的計(jì)算結(jié)果可信度較高，反之則認(rèn)為物體跟蹤算法的計(jì)算結(jié)果可信度較低，而物體檢測(cè)算法的可信度較高；

物體檢測(cè)算法(物體識(shí)別算法)是選取有效的圖像特征點(diǎn)以解決在物品識(shí)別過程中圖像平移、圖像旋轉(zhuǎn)、尺度變化，同時(shí)降低在物品識(shí)別過程中出現(xiàn)的遮擋、圖像噪聲帶來的影響，以達(dá)到檢測(cè)(識(shí)別)物品的目的，例如物體檢測(cè)算法(物體識(shí)別算法)包括有sift/surt算法，haar特征算法和廣義hough變換算法等。檢測(cè)權(quán)值是物體檢測(cè)算法(物體識(shí)別算法)在整個(gè)圖像處理方法中的貢獻(xiàn)程度，如果該檢測(cè)權(quán)值大意味著物體檢測(cè)算法的計(jì)算結(jié)果可信度較高，反之則認(rèn)為物體檢測(cè)算法的計(jì)算結(jié)果可信度較低，而物體跟蹤算法的可信度較高；

處理器1根據(jù)跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合，以獲得操作對(duì)象的目標(biāo)位置信息，并將其存儲(chǔ)在存儲(chǔ)器2中。對(duì)于兩種算法的融合方式可以通過多種方式進(jìn)行，例如對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果(如兩種算法計(jì)算出的位置數(shù)據(jù))進(jìn)行加權(quán)平均，從而得到融合結(jié)果(如得到最終的位置數(shù)據(jù))，處理器1根據(jù)該融合結(jié)果能夠獲得操作對(duì)象的目標(biāo)位置信息，該融合的技術(shù)特征使得物體跟蹤算法和物體檢測(cè)算法同時(shí)作用于所述的圖像處理裝置的處理過程(作用的程度可能不相同)，能夠針對(duì)不同的情況分別體現(xiàn)出兩種算法各自的優(yōu)勢(shì)。此外該目標(biāo)位置信息從本質(zhì)上來說針對(duì)了實(shí)際的操作對(duì)象的圖像特征得出的，例如操作對(duì)象是在靜止的，移動(dòng)的或是在快速移動(dòng)的，對(duì)于同一個(gè)操作對(duì)象處于不同的狀態(tài)時(shí)，得到的目標(biāo)位置信息也是不同的。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合圖2并結(jié)合以下的公式(1)，公式(2)和公式(3)，處理器1獲取跟蹤權(quán)值和檢測(cè)權(quán)值執(zhí)行：分別獲取物體跟蹤算法和物體檢測(cè)算法針對(duì)操作對(duì)象的跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值；根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值生成跟蹤權(quán)值和檢測(cè)權(quán)值。跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值分別為預(yù)先評(píng)估的物體跟蹤算法的計(jì)算精度，和物體檢測(cè)算法的計(jì)算精度。

優(yōu)選的，處理器1根據(jù)圖像中操作對(duì)象的先后視頻幀的特征點(diǎn)匹配精度和操作對(duì)象當(dāng)前幀與模板的相似度，分別獲取跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值。在具體來說，處理器1跟蹤算法評(píng)估值為根據(jù)前后視頻幀的特征點(diǎn)匹配精度，判斷當(dāng)前幀目標(biāo)圖像與跟蹤模板的相似程度等方法評(píng)估物體跟蹤算法的精度，并會(huì)將該跟蹤算法評(píng)估值歸一化到[0，1]區(qū)間，將跟蹤算法評(píng)估值存儲(chǔ)到存儲(chǔ)器2中；檢測(cè)算法評(píng)估值與此類似，檢測(cè)算法評(píng)估值為根據(jù)前后視頻幀的特征點(diǎn)匹配精度，處理器1判斷當(dāng)前幀目標(biāo)圖像與檢測(cè)模板的相似程度等方法評(píng)估物體檢測(cè)算法的精度，并會(huì)將該檢測(cè)算法評(píng)估值歸一化到[0，1]區(qū)間，將檢測(cè)算法評(píng)估值存儲(chǔ)到存儲(chǔ)器2中。

結(jié)合以下的公式(2)和公式(3)，在處理器1根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值計(jì)算跟蹤權(quán)值和檢測(cè)權(quán)值時(shí)，可以首先根據(jù)跟蹤算法評(píng)估值和檢測(cè)算法評(píng)估值計(jì)算出跟蹤權(quán)值，在根據(jù)跟蹤權(quán)值計(jì)算檢測(cè)權(quán)值。

以下為公式(1)，公式(2)和公式(3)的數(shù)學(xué)表達(dá)式：

wtracking＝atracking/adetection+atracking(1)

wdetection＝1-wtracking(2)

rfusion＝wtracking*rtracking+wdetection*rdetection(3)

其中，公式(1)中atracking為跟蹤算法評(píng)估值，adetection為檢測(cè)算法評(píng)估值，wtracking為跟蹤權(quán)值；

公式(2)中wdetection為檢測(cè)權(quán)值；

公式(3)中rtracking為物體跟蹤算法的計(jì)算結(jié)果，通常為物體的位置數(shù)據(jù)，rdetection為物體檢測(cè)算法的計(jì)算結(jié)果，通常也是為物體的位置數(shù)據(jù)，rfusion為圖像處理方法最終得到的物體的位置數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合圖3并結(jié)合以下的公式(4)，公式(5)和公式(6)，處理器1獲取跟蹤權(quán)值和檢測(cè)權(quán)值還執(zhí)行：根據(jù)操作對(duì)象在圖像中先后視頻幀的位置變化程度計(jì)算跟蹤權(quán)值，并由跟蹤權(quán)值計(jì)算檢測(cè)權(quán)值。該方式主要依據(jù)是物體跟蹤算法通常對(duì)物體運(yùn)動(dòng)做出假設(shè)，包括運(yùn)動(dòng)平滑性、勻速及勻加速等假設(shè)，當(dāng)物體運(yùn)動(dòng)位置變化較大時(shí)，跟蹤算法評(píng)估值通常會(huì)降低，相反地，物體檢測(cè)算法通常無需根據(jù)物體運(yùn)動(dòng)做出假設(shè)，在物體位置發(fā)生大幅度變化時(shí)檢測(cè)算法評(píng)估值通常較高。

優(yōu)選的，處理器1根據(jù)操作對(duì)象在先后視頻幀中形成的像素距離計(jì)算位置變化程度，由于現(xiàn)實(shí)的圖像實(shí)際上是由很多的像素點(diǎn)構(gòu)成的，像素距離是指顯示的圖像中相鄰兩個(gè)象素點(diǎn)之間的距離，像素距離值較大則說明對(duì)象的位置變化較大，像素距離值較小則說明對(duì)象的位置沒有變化或者位置變化較小，可以根據(jù)這些先后視頻幀中形成的像素距離計(jì)算位置變化程度。

在本發(fā)明的一個(gè)實(shí)施例中，結(jié)合公式(3)和公式(6)，處理器1根據(jù)跟蹤權(quán)值和檢測(cè)權(quán)值對(duì)物體跟蹤算法和物體檢測(cè)算法的計(jì)算結(jié)果進(jìn)行融合具體執(zhí)行：利用跟蹤權(quán)值和檢測(cè)權(quán)值，對(duì)物體跟蹤算法和物體檢測(cè)算法分別輸出的操作對(duì)象的位置信息進(jìn)行加權(quán)計(jì)算，生成目標(biāo)位置信息。該加權(quán)計(jì)算可以為加權(quán)平均計(jì)算，也可以為插值計(jì)算，還可以為其他利用操作對(duì)象的位置信息和相應(yīng)的權(quán)值進(jìn)行的計(jì)算。

以下為公式(4)，公式(5)和公式(6)的數(shù)學(xué)表達(dá)式：

wdetection＝1-wtracking(5)

rfusion＝wtracking*rtracking+wdetection*rdetection(6)

其中，公式(4)中的wtracking為跟蹤權(quán)值，d為操作對(duì)象在先后視頻幀中形成的像素距離，w⁰t和w¹t為常數(shù)，在一個(gè)實(shí)施例中，w⁰t為0.1，w¹t為0.9；d1和d0為常數(shù)，在一個(gè)實(shí)施例中，d1為0.9，d0為0.1，在另一個(gè)實(shí)施例中，d1為100，d0為10；

公式(5)中wdetection為檢測(cè)權(quán)值；

公式(6)中rtracking為物體跟蹤算法的計(jì)算結(jié)果，通常為物體的位置數(shù)據(jù)，rdetection為物體檢測(cè)算法的計(jì)算結(jié)果，通常也是為物體的位置數(shù)據(jù)，rfusion為圖像處理方法最終得到的物體的位置數(shù)據(jù)。

下面結(jié)合圖4和公式(4)對(duì)d0，d1，w⁰t和w¹t關(guān)系進(jìn)行詳細(xì)的說明，d1和d0為像素的位置數(shù)值(通常為常數(shù))，w⁰t和w¹t為跟蹤權(quán)值(通常為常數(shù))，d0，d1，w⁰t和w¹t之間形成了線性關(guān)系，當(dāng)像素距離d按照?qǐng)D4中線性關(guān)系發(fā)生變化時(shí)，對(duì)應(yīng)的wtracking也隨之變化，該線性關(guān)系能夠直觀清楚的表達(dá)出d和wtracking的對(duì)應(yīng)關(guān)系，進(jìn)而可以確定wdetection。

以上實(shí)施例僅為本發(fā)明的示例性實(shí)施例，不用于限制本發(fā)明，本發(fā)明的保護(hù)范圍由權(quán)利要求書限定。本領(lǐng)域技術(shù)人員可以在本發(fā)明的實(shí)質(zhì)和保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出各種修改或等同替換，這種修改或等同替換也應(yīng)視為落在本發(fā)明的保護(hù)范圍內(nèi)。