一种目标跟踪方法与流程

本发明涉及图像处理，具体涉及一种目标跟踪方法。

背景技术：

1、在现代监控中，目标跟踪是核心功能之一，它能够提供对特定区域内移动目标的连续监视。随着人工智能技术的发展，基于深度学习的目标跟踪方法因其准确性和自动化程度高而受到广泛关注。其中，yolo神经网络作为一种流行的实时目标检测算法，由于其快速、准确的特点，常被用于目标跟踪系统中进行初步的目标识别和定位。

2、在一帧图像中存在多种类型的目标，通过yolo神经网络对图像进行识别后，对每种类型的目标均标注有对应的目标框和对应分类类型，实现对图像上各个目标的分类，但是yolo神经网络仅实现对目标的分类，其无法实现对同一目标的跟踪。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种目标跟踪方法解决了现有技术采用yolo神经网络仅实现对目标的分类，无法实现对同一目标的跟踪的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种目标跟踪方法，包括以下步骤：

3、s1、在管理区域采集图像，得到多帧原始图像；

4、s2、采用yolo神经网络识别每帧原始图像，对每帧原始图像上各目标采用目标框进行标注；

5、s3、根据标注的目标框的位置，从每帧原始图像上剪切出目标区域；

6、s4、对同类型的每个目标区域进行聚类处理，基于簇特征，筛选出同一个目标对象的多个目标区域；

7、s5、对多个目标区域提取特征点，构建目标对象的行动轨迹。

8、本发明的有益效果为：本发明采用yolo神经网络识别每帧原始图像，在每帧原始图像上采用目标框标注出各目标位置和各目标类型，根据目标框的位置，剪切出各个目标区域，提取出同类型的各个目标区域，实现将分类类型一致的目标区域筛选出来，再从同类型的各个目标区域中筛选出属于同一个目标对象的多个目标区域，从属于同一个目标对象的多个目标区域上提取特征点，构建目标对象的行动轨迹，实现对同一目标的跟踪。

9、进一步地，所述s4包括以下分步骤：

10、s41、根据各个像素点的像素值距离，对同类型的每个目标区域上各个像素点进行聚类处理，得到目标区域上的多个簇；

11、s42、根据每个簇在目标区域上的面积占比和每个簇在目标区域上的像素对比值，计算每个簇特征；

12、s43、将一个目标区域上各个簇特征作为元素构成簇特征向量；

13、s44、计算每个簇特征向量与其他簇特征向量的匹配度；

14、s45、提取匹配度大于匹配阈值的所有簇特征向量对应的目标区域，得到同一个目标对象的多个目标区域。

15、上述进一步地方案的有益效果为：本发明根据各个像素点的像素值距离，对每个目标区域上各个像素点进行聚类处理，得到目标区域上的多个簇，实现按像素值进行分类，每个簇为像素值相近的各个像素点的所在区域，通过每个簇在目标区域上的面积占比和像素对比值，计算每个簇特征，将一个目标区域上各个簇特征作为元素构成簇特征向量，计算每个簇特征向量与其他簇特征向量的匹配度，在匹配度大于匹配阈值时，则说明该匹配度对应的两个簇特征向量对应的目标区域属于同一个目标对象。

16、进一步地，所述s42中计算每个簇特征的公式为：，，，其中，θ为簇特征，e为自然常数，γq为每个簇在目标区域上的面积占比，γp为每个簇在目标区域上的像素对比值，qc为每个簇具备的像素点数量，qtarget为目标区域具备的像素点数量，pc为每个簇的像素值均值，pmax为所有簇中最大像素值均值，pmin为所有簇中最小像素值均值。

17、上述进一步地方案的有益效果为：本发明通过像素点数量的占比体现面积占比，一个目标区域上存在多个簇，提取簇在目标区域的面积占比，以及像素对比值，采用指数函数增强面积占比和像素对比值，结合面积占比和像素对比值表征每个簇的特征，体现出每个簇的特异性。

18、进一步地，所述s44包括以下分步骤：

19、s441、以一个簇特征向量为对比向量，对其他每个簇特征向量设置一个标志位，标志位的初始值为0；

20、s442、从对比向量中取一个簇特征，作为对比特征；

21、s443、计算对比特征与其他簇特征向量中簇特征的相似度；

22、s444、判断相似度是否大于相似阈值，若是，对相似度大于相似阈值的其他簇特征向量的标志位自加1，并跳转至s442选取下一个簇特征，直到对比向量中簇特征遍历完，若否，则直接跳转至s442选取下一个簇特征，直到对比向量中簇特征遍历完；

23、s445、将标志位作为簇特征向量与另一个簇特征向量的匹配度。

24、上述进一步地方案的有益效果为：本发明以一个簇特征向量为对比向量，从对比向量中取一个簇特征，作为对比特征，计算对比向量的对比特征与其他簇特征向量中簇特征的相似度，在相似度大于相似阈值，则说明对应的其他簇特征向量存在与对比特征相似的簇特征，因此，对应标志位自加1，对对比向量中簇特征进行遍历，在一个其他簇特征向量中存在多个簇特征的相似度大于相似阈值时，则对应标志位就表示该其他簇特征向量与对比向量的匹配程度。

25、进一步地，所述s5包括以下分步骤：

26、s51、对各个目标区域上的簇进行匹配，得到多组匹配簇集合，从多组匹配簇集合筛选出最优匹配簇集合；

27、s52、对最优匹配簇集合中每个匹配簇保留边缘像素点，得到簇轮廓；

28、s53、对每个簇轮廓提取特征点；

29、s54、对最优匹配簇集合对应的多个特征点进行拟合处理，得到目标对象的行动轨迹。

30、上述进一步地方案的有益效果为：在步骤s4中仅将属于同一个目标对象的多个目标区域筛选出来，但每个目标区域上存在多个簇，因此，将属于同一个目标对象上同一结构对应的簇进行匹配，构成匹配簇集合，从中筛选出最优匹配簇集合，对最优匹配簇集合中每个匹配簇保留边缘像素点，得到簇轮廓，对簇轮廓提取特征点，即得到同一个目标对象上同一结构在不同图像上的特征点，因此，对最优匹配簇集合对应的多个特征点进行拟合处理，得到目标对象的行动轨迹，提高行动轨迹跟踪精度。

31、进一步地，所述s51包括以下分步骤：

32、s511、计算一个目标区域上第j个簇特征与其他目标区域上每个簇特征的相似度，j的初始值为1，j为正整数；

33、s512、从其他每个目标区域上提取最大相似度大于相似阈值对应的簇，得到其他每个目标区域上的匹配簇，将各个匹配簇构成第j组匹配簇集合；

34、s513、将第j组匹配簇集合中匹配簇对应的相似度进行相加，得到第j个相似值；

35、s514、将j自加1，并跳转至步骤s511，直到目标区域上簇特征遍历完；

36、s515、选取相似值最大的匹配簇集合作为最优匹配簇集合。

37、上述进一步地方案的有益效果为：计算一个目标区域上的簇特征与其他每个目标区域的簇特征的相似度，由于其他每个目标区域的簇特征存在多个，因此，相似度也存在多个，取最大相似度且最大相似度大于相似阈值对应的簇，得到与之匹配的簇，命名为匹配簇，存在多个目标区域，因此，迭代一次时，匹配簇在每个目标区域上存在一个，将各个匹配簇构成第j组匹配簇集合，第j组匹配簇集合代表同一个目标对象上同一结构在不同图像上的成像情况的集合，将一组匹配簇集合中各个匹配簇对应的相似度进行相加，得到相似值，取最大相似值对应的匹配簇集合，实现选出相似情况最优的各个匹配簇。

38、进一步地，所述s53包括以下分步骤：

39、s531、根据每个簇轮廓上各个像素点的坐标，对每个簇轮廓计算几何中心坐标点；

40、s532、从簇轮廓上取每个像素点作为对比像素点，计算对比像素点与几何中心坐标点的方向角度分布值；

41、s533、将最大方向角度分布值对应的对比像素点作为特征点。

42、上述进一步地方案的有益效果为：本发明从簇轮廓上取每个像素点作为对比像素点，计算对比像素点与几何中心坐标点的方向角度分布值，通过方向角度分布值体现对比像素点的特异性。

43、进一步地，所述s532中计算对比像素点与几何中心坐标点的方向角度分布值的公式为：，，，其中，γ为方向角度分布值，e为自然常数，θc为对比像素点与几何中心坐标点的方向角度，θm为对比像素点邻域第m个像素点与几何中心坐标点的方向角度，xc为对比像素点的横坐标，yc为对比像素点的纵坐标，xo为几何中心坐标点的横坐标，yo为几何中心坐标点的纵坐标，xm为簇轮廓上对比像素点邻域第m个像素点的横坐标，ym为簇轮廓上对比像素点邻域第m个像素点的纵坐标，| |为绝对值运算，m为正整数，m为邻域像素点的数量，arctan为反正切函数。

44、上述进一步地方案的有益效果为：本发明提取对比像素点、以及邻域像素点与几何中心坐标点的方向角度，通过对比像素点与邻域像素点的方向角度分布，体现对比像素点处的形状特征。