[發(fā)明專利]動態(tài)視頻序列中多目標跟蹤系統(tǒng)

無效

• 申請?zhí)枺?/td>: 201010245736.7
• 申請日: 2010-08-05
• 公開（公告）號: CN101894381A
• 公開（公告）日: 2010-11-24
• 發(fā)明（設(shè)計）人: 胡士強;吳靜靜
• 申請（專利權(quán)）人: 上海交通大學(xué)
• 主分類號: G06T7/20
• 分類號: G06T7/20;H04N7/18
• 代理公司: 上海交達專利事務(wù)所 31201
• 代理人: 王錫麟;王桂忠

技術(shù)領(lǐng)域

本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的系統(tǒng)，具體是一種基于高斯混合概率假設(shè)密度(GM-PHD)濾波的動態(tài)視頻序列中多目標跟蹤系統(tǒng)。

背景技術(shù)

視頻目標跟蹤是視頻監(jiān)控技術(shù)的核心技術(shù)，廣泛應(yīng)用于對場景的全天候、自動、實時的監(jiān)控，視覺交通管制，體育視頻分析，醫(yī)療輔助診斷等領(lǐng)域。所謂視頻目標跟蹤，就是指對視頻圖像序列中的運動目標進行檢測、提取、識別和跟蹤，獲得運動目標的運動參數(shù)，如目標質(zhì)心位置、速度、加速度等，以及運動軌跡，從而進行進一步處理與分析，實現(xiàn)對運動目標的行為理解，以完成更高一級的任務(wù)。

視頻多目標跟蹤的困難在于：隨著目標在傳感器視場下的出現(xiàn)或消失，多目標間發(fā)生遮擋，合并及分裂，目標的狀態(tài)及個數(shù)是隨著時間變化的，再加上雜波及噪聲的影響，使得量測數(shù)據(jù)和目標之間存在著不確定關(guān)系。目前，視頻多目標跟蹤所面臨的挑戰(zhàn)之一是目標數(shù)變化場景下的目標數(shù)和狀態(tài)的估計。對于量測噪聲引起的不確定性，成熟的解決辦法有卡爾曼濾波(KF)和粒子濾波(PF)技術(shù)。如果將其引入多目標跟蹤問題，解決量測和狀態(tài)的多維性造成的不確定關(guān)系是多目標跟蹤的核心。傳統(tǒng)的多目標跟蹤采用“量測-航跡”數(shù)據(jù)關(guān)聯(lián)技術(shù)。Reid等提出的多假設(shè)方法(MHT)和Bar-Shalom等提出的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法(JPDA)是最具代表性和有效性的兩種關(guān)聯(lián)方法，由于方法的組合特性，數(shù)據(jù)關(guān)聯(lián)方法的共同缺點是計算量龐大。采用隨機有限集(RFS)理論進行多目標跟蹤是一個新興的技術(shù)，RFS理論框架下的方法將多目標跟蹤問題表述為多維貝葉斯濾波器，避免了數(shù)據(jù)關(guān)聯(lián)計算。其中，Mahler提出的概率假設(shè)密度(PHD)濾波及后來學(xué)者提出的PHD實現(xiàn)方法最具代表性。PHD使用多目標隨機集的后驗概率密度的一階統(tǒng)計量(概率假設(shè)密度，即PHD)近似代替多目標的后驗概率密度，簡化多維貝葉斯濾波遞推公式中的積分運算，使得多維貝葉斯濾波的實現(xiàn)成為可能。PHD濾波有兩種實現(xiàn)技術(shù)，粒子濾波PHD(PF-PHD)技術(shù)和高斯混合PHD(GM-PHD)技術(shù)。

經(jīng)對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，Ya-Dong?Wang等人在2006年The?International?Conference?on?Pattern?Recognition(模式識別國際會議)上發(fā)表的“Tracking?a?variable?number?of?human?groups?in?video?using?probability?hypothesis?density(基于概率假設(shè)密度的數(shù)目變化人群的視頻跟蹤技術(shù))”中，提出一種基于粒子濾波概率假設(shè)密度濾波(PF-PHD)的多目標視頻跟蹤系統(tǒng)，具體為在目標數(shù)變化的多目標視頻跟蹤系統(tǒng)中引入粒子濾波概率假設(shè)密度濾波(PF-PHD)模塊。該視頻跟蹤系統(tǒng)可以有效處理目標數(shù)變化的人群跟蹤。但該技術(shù)存在以下主要缺點：隨著目標數(shù)增加，采樣階段大量的粒子數(shù)和高的粒子維數(shù)造成計算復(fù)雜問題；狀態(tài)提取階段，由于聚類方法的不確定性帶來的狀態(tài)抽取不可靠問題；運動目標檢測方法的性能不穩(wěn)定造成的量測不準確。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)中存在的上述不足，提供一種基于高斯混合概率假設(shè)密度濾波的動態(tài)視頻序列中多目標跟蹤系統(tǒng)。本發(fā)明在視頻多目標系統(tǒng)中采用GM-PHD實現(xiàn)PHD濾波遞推，使用改進的運動目標檢測結(jié)果作為GM-PHD濾波器的輸入，實現(xiàn)了概率假設(shè)密度濾波框架下的視頻多目標跟蹤，解決了動態(tài)復(fù)雜場景下的目標數(shù)變化的多目標視頻跟蹤問題，具有簡化計算、實時性好和魯棒性強的優(yōu)點。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

本發(fā)明包括：輸入模塊、運動目標檢測模塊、PHD濾波模塊和輸出模塊，其中：運動目標檢測模塊與輸入模塊相連傳輸待處理動態(tài)視頻序列，PHD濾波模塊與運動目標檢測模塊相連傳輸目標的位置信息，輸出模塊與PHD濾波模塊相連傳輸運動目標的狀態(tài)(位置和速度)估計隨機集和目標數(shù)估計隨機集。

所述的運動目標檢測模塊包括：背景區(qū)域初始化子模塊、背景區(qū)域更新子模塊、前景圖像提取子模塊、形態(tài)學(xué)處理子模塊和連通域分析子模塊，其中：背景區(qū)域初始化子模塊與輸入模塊相連傳輸當前視頻中運動目標的位置信息，背景區(qū)域更新子模塊與輸入模塊相連傳輸下一幀的更新背景圖像，背景區(qū)域更新子模塊與背景區(qū)域初始化子模塊相連傳輸初始背景圖像，前景圖像提取子模塊與背景區(qū)域更新子模塊相連傳輸下一幀的更新背景信息，形態(tài)學(xué)處理子模塊與前景圖像提取子模塊相連傳輸二值化后的前景圖像，連通域分析子模塊與形態(tài)學(xué)處理子模塊相連傳輸去噪后的前景圖像，連通域分析子模塊與PHD濾波模塊相連傳輸前景圖像中目標的質(zhì)心位置信息。