專利名稱：一種目標跟蹤方法及系統的制作方法
技術領域：
本發明涉及目標跟蹤技術，尤其涉及一種存在遮擋情況下的目標跟蹤方法及系統。
背景技術：
目標跟蹤是計算機視覺的重要研究領域，在視頻監控、人機交互、出入控制等很多場合下都有著重要的應用。
遮擋是指運動目標的一部分甚至全部被背景中的物體擋住了，在圖像中不可見。存在遮擋情況下的目標跟蹤是目標跟蹤技術的主要挑戰之一，現有技術中尚不能很好的解決存在遮擋時的目標跟蹤問題，因此跟蹤過程中很容易失去目標而導致跟蹤失敗。
發明內容
有鑒于此，本發明中一方面提供一種目標跟蹤方法，另一方面提供一種目標跟蹤系統，以提高目標跟蹤的成功率。
本發明所提供的目標跟蹤方法，包括 采集跟蹤目標的視頻圖像； 在未建立跟蹤目標的目標模型時，對所述視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，在所述完整目標對應的區域內進行興趣點檢測，得到N個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型； 在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域，對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征，分別將每個候選目標區域的特征與所述目標模型按照金字塔匹配算法進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域； 其中，N、K、k和Mk均為大于0的整數，且Mk≤N，1≤k≤K。
較佳地，所述將候選目標區域內的特征與所述目標模型按照金字塔匹配算法進行匹配計算包括 對第k個候選目標區域的特征和所述目標模型構造一個從粗到細或從細到粗的多層粒度空間，標記為l＝0，1，…，L，其中，Pi和Qi分別為對應一個興趣點的設定維數的局部圖像特征向量； 在第l個粒度層，將所述局部圖像特征向量的每維分別以nl為步長劃分為lj個特征單元，用直方圖來統計每個特征單元內的特征分布，得到候選目標區域圖像第l個粒度層第j個特征單元的特征個數
和目標模型第l個粒度層第j個特征單元的特征個數
0≤j≤lj； 計算所述和在第l個粒度層的匹配度M
得到 計算所述和在所述多層粒度空間的匹配度K(Fk，F0)，得到將所述K(Fk，F0)作為所述第k個候選目標區域的特征與所述目標模型的匹配結果； 其中，n為大于1的正整數。
較佳地，該方法進一步包括在所述匹配結果最大的候選目標區域為跟蹤目標的完整目標對應的區域時，利用所述匹配結果最大的候選目標區域的特征更新所述目標模型。
較佳地，所述對視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域為對所述視頻圖像進行目標檢測或手工標定，得到所述視頻圖像中跟蹤目標的完整目標對應的區域。
較佳地，所述對視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置為根據所述視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，估計得到當前圖像中跟蹤目標的目標區域可能存在的位置。
較佳地，所述根據視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，估計得到當前圖像中跟蹤目標的目標區域可能存在的位置為根據視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，利用一階自回歸動態模型或高斯隨機游走模型估計得到當前圖像中跟蹤目標的目標區域可能存在的位置。
本發明所提供的目標跟蹤系統，包括 圖像采集單元，用于采集跟蹤目標的視頻圖像； 目標模型建立單元，用于在未建立跟蹤目標的目標模型時，對所述圖像采集單元采集到的視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，在所述完整目標對應的區域內進行興趣點檢測，得到N個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型； 目標區域圖像獲取單元，用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域，對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征； 目標匹配單元，用于分別將每個候選目標區域的特征與所述目標模型按照金字塔匹配算法進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域。
較佳地，所述目標模型建立單元包括 目標區域獲取子單元，用于在未建立跟蹤目標的目標模型時，對所述視頻圖像進行目標檢測或根據所述視頻圖像中的人工標定，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域； 興趣點檢測子單元，用于在所述跟蹤目標的完整目標對應的區域內進行興趣點檢測，得到N個興趣點； 目標模型生成子單元，用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型。
較佳地，所述目標區域圖像獲取單元包括 候選目標區域獲取子單元，用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域； 興趣點檢測子單元，用于對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點； 目標區域圖像生成子單元，用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征。
較佳地，所述目標匹配單元包括 粒度空間劃分子單元，用于對每個候選目標區域的特征和所述目標模型，構造一個從粗到細或從細到粗的多層粒度空間； 直方圖特征統計子單元，用于在每個粒度層，對應所述候選目標區域的特征和所述目標模型所包含的局部圖像特征向量的每維劃分多個特征單元，用直方圖來統計每個特征單元內的特征分布，得到候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數； 匹配計算子單元，用于對所述候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數進行匹配，得到所述候選目標區域的特征與所述目標模型的匹配結果。
從上述方案可以看出，本發明中在進行目標的跟蹤匹配時，通過在得到的目標區域中提取興趣點，并根據興趣點獲取局部圖像特征，得到由局部圖像特征集合構成的目標模型和候選目標區域圖像，然后再將二者按照金字塔匹配算法進行匹配，從而完成了目標的跟蹤過程。眾所周知，在存在遮擋的情況下，候選目標區域中的興趣點通常小于或等于完整目標對應的區域中的興趣點，但本發明中基于興趣點檢測和金字塔匹配算法的跟蹤匹配，不會因為匹配對象間的興趣點不同而匹配失敗，因此解決了存在遮擋情況的人臉跟蹤問題，提高了目標跟蹤的成功率。
圖1為本發明實施例中人臉跟蹤方法的示例性流程圖； 圖2為本發明實施例中人臉跟蹤系統的示例性結構圖； 圖3為圖2所示系統中目標模型建立單元的內部結構圖； 圖4為圖2所示系統中目標區域圖像獲取單元的內部結構圖； 圖5為圖2所示系統中目標匹配單元的內部結構圖。
具體實施例方式 為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例和附圖，對本發明進一步詳細說明。
圖1為本發明實施例中人臉跟蹤方法的示例性流程圖。如圖1所示，該流程包括如下步驟 步驟101，采集跟蹤目標的視頻圖像。
步驟102，判斷當前是否已經建立跟蹤目標的目標模型，如果沒有，則執行步驟103；否則，執行步驟104。
步驟103，對所述視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，根據所獲取的完整目標對應的區域，建立跟蹤目標的目標模型。
本步驟中，可通過對跟蹤目標的視頻圖像進行目標檢測或手工標定，得到視頻圖像中跟蹤目標的完整目標對應的區域。
此外，建立跟蹤對象的目標模型的過程可以是在完整目標對應的區域內進行興趣點檢測(Interest Point Detection)，得到N個興趣點，如{q0，q1，…，qN}，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，該局部圖像特征的范圍大小可根據實際需要進行設定，然后將這N個興趣點對應的局部圖像特征所構成的局部圖像特征集合{Q0，Q1，…，QN}，即作為跟蹤目標的目標模型。其中，Qi為對應一個興趣點的局部圖像特征向量，該向量具有設定的維數，N為大于0的整數。
其中，興趣點檢測技術是一種提取圖像中“顯著“點的技術，具體實現時，可采用現有技術中的多種算子進行興趣點檢測并提取局部圖像特征，例如，SIFT(尺度不變特征變換)算子、Harris-Laplace(哈里斯-拉普拉斯)算子等。這些算子可以提取圖像中對圖像縮放、旋轉甚至仿射變換都保持不變的局部圖像特征，在存在遮擋的情況下，這些局部圖像特征對于目標跟蹤就顯得尤其重要了。
步驟104，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域。
步驟105，分別將每個候選目標區域與目標模型進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域。
本實施例中，為了與步驟103中所描述的目標模型進行匹配，可首先在每個候選目標區域內進行興趣點檢測，并提取每個興趣點周圍的局部圖像特征，將各興趣點對應的局部圖像特征構成的集合作為各候選目標區域的特征與目標模型進行匹配。
例如假設共有K個候選目標區域，則以其中的任一個候選目標區域，如第k個候選目標區域為例，可在該第k個候選目標區域內進行興趣點檢測，得到Mk個興趣點，如{p0，p1，…，
}，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合{P0，P1，…，
}，即作為所述候選目標區域的特征。其中，Pi為對應一個興趣點的具有設定維數的局部圖像特征向量，K、k和Mk均為大于0的整數，且Mk≤N，1≤k≤K。
基于上述的興趣點檢測及局部圖像特征的提取，本步驟中在將候選目標區域的特征與目標模型進行匹配時，可按照金字塔匹配算法進行匹配。金字塔匹配的核心思想是在多層次特征空間中尋找特征點之間的對應關系。具體來說，首先將特征空間按照由粗到細或由細到粗的原則劃分成多層的粒度空間。然后，在某個具體的粒度層劃分多個特征單元，如果兩個特征落入同一個特征單元中，則認為兩個特征在該層中匹配。最后將多層空間中得到的匹配加權起來就得到兩個集合的特征匹配指數。加權過程中，在細粒度層得到的匹配將比粗粒度層得到的匹配擁有更大的權值。金字塔匹配用在跟蹤問題中的優點在于較低的復雜度，同時和其他匹配方法相比，未找到對應關系的特征點不會對匹配結果產生干擾，這對有遮擋發生時或者跟蹤過程中部分特征點檢測不穩定的情況有較好的魯棒性。本實施例中的具體實現過程可如下所示 對每個候選目標區域的特征和所述目標模型，構造一個從粗到細或從細到粗的多層粒度空間。例如，對第k個候選目標區域的特征和所述目標模型構造一個從粗到細或從細到粗的多層粒度空間，假設標記為l＝0，1，…，L。
在每個粒度層，對應候選目標區域的特征和所述目標模型所包含的局部圖像特征向量的每維劃分多個特征單元，用直方圖來統計每個特征單元內的特征分布，得到該候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數。例如，在第l個粒度層，可以2l為步長劃分lj個特征單元，用直方圖來統計每個特征單元內的特征分布時，得到候選目標區域圖像第l個粒度層第j個特征單元的特征個數
和目標模型第l個粒度層第j個特征單元的特征個數
0≤j≤lj。其中，步長的選擇可以有多種方式，例如，在第l個粒度層，還可以nl為步長進行劃分，其中，n為大于1的正整數，可見，2l為n＝2時的一個特例。
之后，對所述候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數進行匹配，之后，得到該候選目標區域的特征與所述目標模型的匹配結果。例如，可首先計算每個粒度層的匹配度，以第l個粒度層為例，則和在第l個粒度層的匹配度
為然后計算所有粒度層的匹配度，則和在所述多層粒度空間的匹配度K(Fk，F0)為計算得到的K(Fk，F0)即為第k個候選目標區域的特征與目標模型的匹配結果。其中，當以nl為步長劃分特征單元時， 進一步地，該流程中還可包括如下步驟 步驟106，判斷匹配結果最大的候選目標區域是否為跟蹤目標的完整目標對應的區域，如果是，則執行步驟107；否則，結束當前流程。
步驟107，利用匹配結果最大的候選目標區域的特征更新目標模型。
以上對本發明實施例中的目標跟蹤方法進行了詳細描述，下面再對本發明實施例中的目標跟蹤系統進行詳細描述。
圖2為本發明實施例中目標跟蹤系統的示例性結構圖。如圖2所示，該系統包括圖像采集單元、目標模型建立單元、目標區域圖像獲取單元和目標匹配單元。
其中，圖像采集單元用于采集跟蹤目標的視頻圖像。
目標模型建立單元用于在未建立跟蹤目標的目標模型時，對所述圖像采集單元采集到的視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，根據所獲取的完整目標對應的區域，建立跟蹤目標的目標模型。具體實現時，可通過對跟蹤目標的視頻圖像進行目標檢測或根據所述視頻圖像中的手工標定，得到視頻圖像中跟蹤目標的完整目標對應的區域。建立目標模型時，可在上述完整目標對應的區域內進行興趣點檢測，得到N個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型。
目標區域圖像獲取單元用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域。為了與前面所描述的目標模型進行匹配，可對所有共K個候選目標區域中的每個候選目標區域，如第k(1≤k≤K)個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk(Mk≤N)個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征。
目標匹配單元用于分別將每個候選目標區域的特征與所述目標模型按照金字塔匹配算法進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域。進一步地，在匹配結果最大的候選目標區域為跟蹤目標的完整目標對應的區域時，可將該匹配結果最大的候選目標區域的特征發送給目標模型建立單元以更新所述目標模型。
具體實現時，目標模型建立單元的內部結構可有多種實現形式，圖3為其中的一種內部結構圖示意圖。如圖3所示，該目標模型建立單元可包括目標區域獲取子單元、興趣點檢測子單元和目標模型生成子單元。
其中，目標區域獲取子單元用于在未建立跟蹤目標的目標模型時，對所述視頻圖像進行目標檢測或根據所述視頻圖像中的人工標定，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域。
興趣點檢測子單元用于在所述跟蹤目標的完整目標對應的區域內進行興趣點檢測，得到N個興趣點。
目標模型生成子單元用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型。
具體實現時，目標區域圖像獲取單元的內部結構可有多種實現形式，圖4為其中的一種內部結構圖示意圖。如圖4所示，該目標區域圖像獲取單元可包括候選目標區域獲取子單元、興趣點檢測子單元和目標區域圖像生成子單元。
其中，候選目標區域獲取子單元用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域。
興趣點檢測子單元用于對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點。
目標區域圖像生成子單元用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征。
其中，目標區域圖像獲取單元中的興趣點檢測子單元和目標模型建立單元中的興趣點檢測子單元在物理上可以為同一個單元。目標區域圖像獲取單元中的目標區域圖像生成子單元和目標模型建立單元中的目標模型生成子單元在物理上可以為同一個單元。
具體實現時，目標匹配單元的內部結構可有多種實現形式，圖5為其中的一種內部結構圖示意圖。如圖5所示，該目標匹配單元可包括粒度空間劃分子單元、直方圖特征統計子單元和匹配計算子單元。
其中，粒度空間劃分子單元用于對每個候選目標區域的特征和所述目標模型，構造一個從粗到細或從細到粗的多層粒度空間。
直方圖特征統計子單元用于在每個粒度層，對應所述候選目標區域的特征和所述目標模型所包含的局部圖像特征向量的每維劃分多個特征單元，用直方圖來統計每個特征單元內的特征分布，得到候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數。
匹配計算子單元用于對所述候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數進行匹配，得到所述候選目標區域的特征與所述目標模型的匹配結果。
綜上可見，本發明中提出了一種在存在遮擋的情況下進行目標跟蹤的有效方法。該方法通過興趣點檢測技術(Interest Point Detection)獲取初始的目標圖像上的所有“顯著“特征點并提取對應的局部圖像特征，這些局部圖像特征通常在圖像縮放、旋轉甚至仿射變換時都保持不變。然后將所有候選目標區域的興趣點處提取的局部圖像特征與目標模型對應的局部圖像特征進行金字塔特征匹配，最后根據匹配結果選擇相似程度最大的候選區域作為當前目標的區域，從而解決了遮擋情況下的目標跟蹤問題。
以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的較佳實施例而已，并非用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
權利要求
1、一種目標跟蹤方法，其特征在于，該方法包括
采集跟蹤目標的視頻圖像；
在未建立跟蹤目標的目標模型時，對所述視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，在所述完整目標對應的區域內進行興趣點檢測，得到N個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型；
在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域，對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征，分別將每個候選目標區域的特征與所述目標模型按照金字塔匹配算法進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域；
其中，N、K、k和Mk均為大于0的整數，且Mk≤N，1≤k≤K。
2、如權利要求1所述的方法，其特征在于，所述將候選目標區域內的特征與所述目標模型按照金字塔匹配算法進行匹配計算包括
對第k個候選目標區域的特征和所述目標模型構造一個從粗到細或從細到粗的多層粒度空間，標記為l＝0，1，…，L，其中，Pi和Qi分別為對應一個興趣點的設定維數的局部圖像特征向量；
在第l個粒度層，將所述局部圖像特征向量的每維分別以nl為步長劃分為lj個特征單元，用直方圖來統計每個特征單元內的特征分布，得到候選目標區域圖像第l個粒度層第j個特征單元的特征個數
和目標模型第l個粒度層第j個特征單元的特征個數
0≤j≤lj；
計算所述和在第l個粒度層的匹配度
得到
計算所述和在所述多層粒度空間的匹配度K(Fk，F0)，得到將所述K(Fl，F0)作為所述第k個候選目標區域的特征與所述目標模型的匹配結果；
其中，n為大于1的正整數。
3、如權利要求l所述的方法，其特征在于，該方法進一步包括在所述匹配結果最大的候選目標區域為跟蹤目標的完整目標對應的區域時，利用所述匹配結果最大的候選目標區域的特征更新所述目標模型。
4、如權利要求l所述的方法，其特征在于，所述對視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域為對所述視頻圖像進行目標檢測或手工標定，得到所述視頻圖像中跟蹤目標的完整目標對應的區域。
5、如權利要求1所述的方法，其特征在于，所述對視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置為根據所述視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，估計得到當前圖像中跟蹤目標的目標區域可能存在的位置。
6、如權利要求5所述的方法，其特征在于，所述根據視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，估計得到當前圖像中跟蹤目標的目標區域可能存在的位置為根據視頻圖像中當前圖像的前一幀圖像中跟蹤目標的目標區域位置，利用一階自回歸動態模型或高斯隨機游走模型估計得到當前圖像中跟蹤目標的目標區域可能存在的位置。
7、一種目標跟蹤系統，其特征在于，該系統包括
圖像采集單元，用于采集跟蹤目標的視頻圖像；
目標模型建立單元，用于在未建立跟蹤目標的目標模型時，對所述圖像采集單元采集到的視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，在所述完整目標對應的區域內進行興趣點檢測，得到N個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型；
目標區域圖像獲取單元，用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域，對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點，以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征；
目標匹配單元，用于分別將每個候選目標區域的特征與所述目標模型按照金字塔匹配算法進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域。
8、如權利要求7所述的系統，其特征在于，所述目標模型建立單元包括
目標區域獲取子單元，用于在未建立跟蹤目標的目標模型時，對所述視頻圖像進行目標檢測或根據所述視頻圖像中的人工標定，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域；
興趣點檢測子單元，用于在所述跟蹤目標的完整目標對應的區域內進行興趣點檢測，得到N個興趣點；
目標模型生成子單元，用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述N個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述跟蹤目標的目標模型。
9、如權利要求8所述的系統，其特征在于，所述目標區域圖像獲取單元包括
候選目標區域獲取子單元，用于在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域；
興趣點檢測子單元，用于對所有共K個候選目標區域中的第k個候選目標區域，在所述候選目標區域內進行興趣點檢測，得到Mk個興趣點；
目標區域圖像生成子單元，用于以每個興趣點為中心，提取所述興趣點對應的局部圖像特征，將所述Mk個興趣點對應的局部圖像特征所構成的局部圖像特征集合作為所述候選目標區域的特征。
10、如權利要求9所述的系統，其特征在于，所述目標匹配單元包括
粒度空間劃分子單元，用于對每個候選目標區域的特征和所述目標模型，構造一個從粗到細或從細到粗的多層粒度空間；
直方圖特征統計子單元，用于在每個粒度層，對應所述候選目標區域的特征和所述目標模型所包含的局部圖像特征向量的每維劃分多個特征單元，用直方圖來統計每個特征單元內的特征分布，得到候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數；
匹配計算子單元，用于對所述候選目標區域圖像每個粒度層各特征單元內的特征個數和目標模型每個粒度層各特征單元內的特征個數進行匹配，得到所述候選目標區域的特征與所述目標模型的匹配結果。
全文摘要
本發明公開了一種目標跟蹤方法及系統，其中，方法包括采集跟蹤目標的視頻圖像；在未建立跟蹤目標的目標模型時，對所述視頻圖像進行分析，獲取所述視頻圖像中跟蹤目標的完整目標對應的區域，根據所獲取的完整目標對應的區域，建立跟蹤目標的目標模型；在已建立跟蹤目標的目標模型后，對所述視頻圖像進行分析，獲取當前圖像中跟蹤目標的目標區域可能存在的位置，將所述目標區域可能存在的位置作為候選目標區域；基于興趣點檢測和局部圖像特征提取技術按照金字塔匹配算法，分別將每個候選目標區域的特征與所述目標模型進行匹配，將匹配結果最大的候選目標區域作為跟蹤目標的當前目標區域。本發明提供的技術方案能夠提高跟蹤的成功率。
文檔編號G06T7/20GK101339664SQ20081011899
公開日2009年1月7日 申請日期2008年8月27日 優先權日2008年8月27日
發明者磊 王, 鄧亞峰, 英 黃 申請人:北京中星微電子有限公司