视频跟踪方法
【技术领域】
[0001 ]本发明涉及计算机视觉处理领域，尤其涉及一种视频跟踪方法。
【背景技术】
[0002] 体育视频规律分析是指在体育比赛中，通过对体育视频中的运动员建模，训练跟 踪器来实时地跟踪运动员，然后对跟踪的运动员的视频数据进行动作识别以及动作分析， 最终获得战术统计、运动员体能消耗等相关数据。其中，对运动员进行视频跟踪至关重要。
[0003] 所谓视频跟踪，就是指对摄像头捕捉到的图像序列进行分析，在每一帧图像中识 别出运动目标。视频跟踪算法的思想通常有两种:通过识别目标来进行跟踪和通过运动目 标检测来进行跟踪。前一种算法思想包含了目标识别和目标匹配两部分，通过识别每一帧 图像中的样本从而确定运动目标的位置，后一种算法思想通过监测和发现运动目标并确定 运动目标的位置进行跟踪，该方法不需要考虑目标的形状、尺度，可以监测任何目标。
[0004] 然而，在体育视频跟踪中，运动员频繁的跑动会经常发生相互遮挡，尤其是同队运 动员之间的遮挡，由于衣着相似，外观具有严重的一致性，极易导致跟丢目标，例如:一个跟 踪器正在跟踪一个运动员，队友遮挡该运动员后，因为队友与该运动员高度相似，跟踪器可 能会去跟踪队友，导致跟踪器跟错。现有的基于正常视频的跟踪算法无法解决运动视频中 的遮挡问题。
【发明内容】
[0005] 本发明提供一种视频跟踪方法，可以有效解决运动视频中的遮挡问题，当跟踪目 标被遮挡后不会将跟踪目标跟丢，提高了视频跟踪的正确率。
[0006] 本发明提供的视频跟踪方法，包括：
[0007] 在视频图像的第一帧中确定目标框，为所述目标框建立目标视频分类器；
[0008] 在视频图像的第二帧中采用所述目标视频分类器跟踪所述目标框并识别出候选 框，根据所述目标框与所述候选框的位置判断所述候选框是否遮挡所述目标框；
[0009] 若所述候选框遮挡所述目标框，则为所述候选框建立候选视频分类器，并在视频 图像的第三帧中采用所述候选视频分类器跟踪所述候选框并识别出所述目标框，根据所述 目标框与所述候选框的位置判断所述候选框是否离开所述目标框，若是，则在视频图像的 第四帧中通过所述目标视频分类器对所述目标框进行跟踪;若否，则在视频图像的第四帧 中通过所述候选视频分类器对所述候选框进行跟踪;直至对所述视频图像的所有帧的跟踪 操作完成。
[0010] 本发明提供了一种视频跟踪方法，对视频图像的每一帧进行跟踪处理，为跟踪目 标建立目标视频分类器，通过目标视频跟踪器识别出跟踪目标和候选目标，当候选目标遮 挡住跟踪目标时，为候选目标建立候选视频分类器，通过候选视频跟踪器识别出候选目标 和跟踪目标，并判断候选目标是否离开了跟踪目标，若候选目标离开跟踪目标，则重新通过 目标视频分类器对跟踪目标进行跟踪，若候选目标没有离开跟踪目标，则继续通过候选视 频分类器对候选目标进行跟踪。本实施例提供的视频跟踪方法，可以有效解决运动视频中 的遮挡问题，当跟踪目标被遮挡后不会将跟踪目标跟丢，提高了视频跟踪的正确率。
【附图说明】
[0011] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发 明的一些实施例，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。
[0012] 图1为本发明实施例一提供的视频跟踪方法的流程图；
[0013] 图2为本发明实施例三提供的视频跟踪方法的流程图；
[0014]图3为本发明实施例四提供的视频跟踪方法的流程图。
【具体实施方式】
[0015] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0016] 图1为本发明实施例一提供的视频跟踪方法的流程图。如图1所示，本实施例提供 的视频跟踪方法，可以包括：
[0017] 步骤101、在视频图像的第一帧中确定目标框，为目标框建立目标视频分类器。
[0018] 其中，视频图像的第一帧是指一段需要进行视频跟踪操作的视频图形的初始帧， 目标框是指包括了被跟踪对象的跟踪范围。在本步骤中，在视频图像的第一帧中确定一个 跟踪目标，为被跟踪目标设定一个目标框，并为目标框建立目标视频分类器。
[0019] 其中，为目标框建立目标视频分类器，可以采用现有的多种实现方式。可选的，一 种具体实现方式可以为：
[0020] 在距离目标框预设范围内采集正样本和负样本。
[0021] 分别提取正样本和负样本的低维特征向量，低维特征向量中的每两个分量之间相 互独立。
[0022] 根据低维特征向量训练视频分类器获得目标视频分类器。
[0023]在上述步骤中，根据已知的正样本和负样本进行视频分类器的训练，获得针对跟 踪目标的目标视频分类器。其中，提取每个正样本和每个负样本的低维特征向量，可以采用 稀疏编码方法，低维特征向量V可以表示为:V= (VI，V2，···，Vn)，其中，η为低维特征向量的维 数，低维特征向量中的每一个分量vi可以服从高斯分布，即，P(vi |y = l)~Nbi^oi1)，p(Vi | y = 〇)~Nh'V)，而且，由于提取的低维特征向量v已经降维，所以，可以提高训练视频分 类器的速度，即提高了建立目标视频分类器的速度。
[0024] 其中，预设范围根据需要进行设置。
[0025] 其中，视频分类器可以为朴素贝叶斯分类器，也可以是其他类别的分类器，本实施 例对此不加以限制。根据低维特征向量ν训练朴素贝叶斯分类器的公式如下：
[0026]
[0027] 步骤103、在视频图像的第二帧中采用目标视频分类器跟踪目标框并识别出候选 框，根据目标框与候选框的位置判断候选框是否遮挡目标框。
[0028] 其中，视频图像的第二帧是指与第一帧连续的下一帧，候选框是指包括了候选对 象的跟踪范围，候选对象与被跟踪对象特征相似。在本步骤中，通过目标视频分类器可以识 别出目标框以及与目标框特征相似的候选框，并判断候选框是否遮挡了目标框。
[0029] 可选的，在视频图像的第二帧中采用目标视频分类器跟踪目标框并识别出候选 框，可以包括：
[0030] 在视频图像的第二帧中采集样本框。
[0031 ]采用目标视频分类器在样本框中识别出目标框。
[0032] 计算目标框与除目标框之外的任意一个样本框之间的方差，若方差大于预设阈 值，则采用目标视频分类器判断样本框包含目标框的概率，若概率大于预设门限值，则将样 本框识别为候选框。
[0033] 在上述步骤中，先通过目标框与任意一个样本框之间的方差大于预设阈值过滤掉 一部分样本框，然后在剩下的样本框中，通