视觉跟踪方法、视频监控方法及终端设备技术

本申请适用于人工智能技术领域，提供了视觉跟踪方法、视频监控方法及终端设备，利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，以当前视频帧图像作为训练样本训练初始滤波器，以使滤波器充分提取图像特征，从而使视觉跟踪模型在多种视频图像中均能够高效实现目标跟踪，提高视觉跟踪模型的鲁棒性。以及根据响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置，使得跟踪效果更好。

【技术实现步骤摘要】
视觉跟踪方法、视频监控方法及终端设备
本申请属于人工智能
，尤其涉及计算机视觉跟踪方法、视频监控方法及终端设备。
技术介绍
随着人们安全意识的提高，越来越多场所利用视频监控技术对周围环境进行监控。而为了使视频监控过程智能化，采用视觉跟踪技术对对视频图像进行监控。视觉跟踪是指计算机对视频图像中的目标进行检测、识别和跟踪，以获得该目标在视频序列中的位置、速度以及轨迹等信息的过程。在相关技术中，目前的跟踪模型通常基于历史视频序列训练得到，其在一般的跟踪场景下有不错的跟踪效果。但是当视频图像具有复杂的跟踪背景、光照变化和图像噪声，以及跟踪目标出现遮挡、旋转、尺寸变化和姿态变化时，当前跟踪模型难以识别跟踪背景的复杂变化和跟踪目标的表观变化，从而导致视觉跟踪模型的跟踪效果变差。可见当前的视觉跟踪模型存在鲁棒性差的问题。
技术实现思路
本申请实施例提供了计算机视觉跟踪方法、视频监控方法及终端设备，可以解决当前视觉跟踪方法存在鲁棒性差的问题。第一方面，本申请实施例提供了一种视觉跟踪方法，包括：利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，目标滤波器通过当前视频帧图像的上一视频帧图像经初等变换后得到的多个训练样本进行训练得到；根据响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置。本申请实施例提供的视觉跟踪方法，由于目前是基于历史视频序列作为训练样本训练得到初始滤波器，并将初始滤波器作为第一帧视频图像的目标滤波器，其无法充分考虑该视频图像的图像特征，因此本实施例利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，以当前视频帧图像作为训练样本训练初始滤波器，以使滤波器充分提取图像特征，从而使视觉跟踪模型能够识别跟踪背景的复杂变化和跟踪目标的表观变化，进而在多种视频图像中均能够高效实现目标跟踪，提高视觉跟踪模型的鲁棒性。以及根据响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置，使得跟踪效果更好。第二方面，本申请实施例提供了一种视频监控方法，包括：针对监控视频中的每一帧监控图像，利用目标滤波器对监控图像的第一图像特征进行滤波，得到响应输出矩阵，目标滤波器利用当前监控图像的上一帧监控图像经过初等变换后得到的多个训练样本进行训练得到；根据响应输出矩阵，确定跟踪目标在每一帧监控图像中的实际位置；根据跟踪目标在每一帧监控图像中的实际位置，确定跟踪目标的行为信息；基于行为信息，确定跟踪目标的异常情况。第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的视觉跟踪方法，或如上述第二方面中所述的视频监控方法。第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的视觉跟踪方法，或如上述第二方面中所述的视频监控方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的视觉跟踪方法，或如上述第二方面中所述的视频监控方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的视觉跟踪方法的流程示意图；图2是本申请另一实施例提供的视觉跟踪方法的流程示意图；图3是本申请实施例提供的视频监控方法的流程示意图；图4是本申请实施例提供的视觉跟踪装置的结构示意图；图5是本申请实施例提供的视频监控装置的结构示意图；图6是本申请实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。如
技术介绍
相关记载，目前的跟踪模型通常基于历史视频序列训练得到，其在一般的跟踪场景下有不错的跟踪效果。但是当视频图像具有复杂的跟踪背景、光照变化和图像噪声，以及跟踪目标出现遮挡、旋转、尺寸变化和姿态变化时，当前跟踪模型难以识别跟踪背景的复杂变化和跟踪目标的表观变化，从而导致视觉跟踪模型的跟踪效果变差。可见当前的视觉跟踪模型存在鲁棒性差的问题。有鉴于此，本申请实施例提供一种视觉跟踪方法，通过利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，以当前视频帧图像作为训练样本训练初始滤波器，以使滤波器充分提取图像特征，从而使视觉跟踪模型在多种视频图像中均能够高效实现目标跟踪，提高视觉跟踪模型的鲁棒性。以及根据响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置，使得跟踪效果更好。请参阅图1，图1示出了本申请提供的视觉跟踪方法的示意性流程图。本实施例提本文档来自技高网...

【技术保护点】
1.一种视觉跟踪方法，其特征在于，包括：/n利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，所述目标滤波器利用所述当前视频帧图像的上一视频帧图像经过初等变换后得到的多个训练样本进行训练得到；/n根据所述响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置。/n

【技术特征摘要】
1.一种视觉跟踪方法，其特征在于，包括：
利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，所述目标滤波器利用所述当前视频帧图像的上一视频帧图像经过初等变换后得到的多个训练样本进行训练得到；
根据所述响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置。


2.如权利要求1所述的视觉跟踪方法，其特征在于，所述利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵之前，还包括：
基于预设的卷积神经网络，对所述当前视频帧图像的第一目标区域进行特征提取，得到所述第一目标区域的深度特征；
根据所述第一目标区域的局部梯度方向信息和颜色信息，对所述第一目标区域进行特征提取，得到所述第一目标区域的HOG特征和颜色特征；
将所述深度特征、HOG特征和颜色特征作为所述第一图像特征。


3.如权利要求1所述的视觉跟踪方法，其特征在于，所述目标滤波器的训练过程，包括：
对所述当前视频帧图像的上一视频帧图像中的第二目标区域进行特征提取，得到第二图像特征；
对所述第二图像特征进行初等变换，得到多个图像特征样本；
利用多个所述图像特征样本对预设滤波器进行训练，直至所述预设滤波器的代价函数达到预设值，得到所述目标滤波器。


4.如权利要求3所述的视觉跟踪方法，其特征在于，所述代价函数的计算公式为：

，
其中表示代价函数值，t表示训练样本数量，表示控制每一帧样本的权重系数，F表
示滤波模板，X表示训练样本，Y表示目标输出，w表示空间权重系数，M表示距离空间权重系
数中心的行数，N表示距离空间权重系数中心的列数，表示L2范数对的正则化约束，表示L2范数对的正则化约束。


5.如权利要求3所述的视觉跟踪方法，其特征在于，所述对所述当前视频帧图像的上一视频帧图像的第二目标区域进行特征提取，得到第二图像特征之前，包括：
提取所述上一视频帧图像中多种尺度大小的多个图像区域；
将多个所述图像区域进行缩放，得到相同尺寸大小的多个所述第二目标区...

【专利技术属性】
技术研发人员：周凡，
申请(专利权)人：中山大学深圳研究院，
类型：发明
国别省市：广东;44