[發明專利]基于聯合推理的視頻多目標跟蹤方法

有效

• 申請號: 201410016404.X
• 申請日: 2014-01-14
• 公開（公告）號: CN103699908A
• 公開（公告）日: 2014-04-02
• 發明（設計）人: 張辰元;蔡嶺;張穎華;趙宇明;胡福喬
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/20
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種基于聯合推理的視頻多目標跟蹤方法，其特征在于，通過首先讀入視頻文件的一幀圖像并對其進行圖像柵格化處理，然后采用在線檢測器以及作為跟蹤器的KLT跟蹤算法標定目標的候選位置，分別篩選后綜合結果，其次將得出的候選位置結果進行量化評分，最后利用聯合函數來描述目標跟蹤情況并將基于聯合函數的最優解作為目標在這一幀的位置，即實現目標跟蹤。

2.根據權利要求1所述的方法，其特征是，所述的初始化操作是指：初始化檢測器與跟蹤器，通過random?fern在線學習的方法更新檢測器，同時基于KLT算法的跟蹤器也會在目標范圍內選出特征點，用于下一幀的目標跟蹤。

3.根據權利要求1所述的方法，其特征是，所述的圖像柵格化處理，是指：用大小不一的滑動窗口掃描整幀圖像得到不同位置大小不同的圖像塊，用來作為候選目標，具體為：首先根據初始化目標的大小，等比得出一系列不同尺度大小的滑動窗口，尺度變換的比例范圍是1.2^-10～1.2¹⁰；每個滑動窗口依次按照從左到右從上到下的順序遍歷整幅圖像，滑動窗口位移大小為窗口大小的0.1，即得到很多不同位置大小不同的圖像塊。

4.根據權利要求1所述的方法，其特征是，所述的候選位置通過以下方式得到：

首先，計算圖像塊密度方差，當圖像塊密度方差過小，則被排除，被跟蹤目標模板圖像在第一幀初始化時取得，圖像塊方具體差計算公式為：其中：p_i指的是第i幅圖像塊的灰度圖像，E()指的是求平均函數，當則第i幅圖像塊就被保留，其中：l為固定參數，表示模板圖像的方差；

然后，對輸入圖像區塊提取二值特征，利用random?fern算法在線訓練得到的分類器估計每一個通過密度方差判斷的圖像塊與被檢測目標的相似度，相似度判斷公式為：Pc₁|x)=其中：c₁表示訓練類別，這里訓練時只有兩種類別，與被檢測目標相似用c₁表示，與被檢測目標不相似，用c₀表示；P_i(c₁|x)表示第i顆fern得到的后驗概率；

最后，將所有ferns得到的后驗概率進行平均，得到最終的后驗概率值，當相似度P(c₁|x)>50%，則輸入圖像塊與被檢測目標相似，保留該圖像塊。

5.根據權利要求1所述的方法，其特征是，所述的標定是指：在圖像的第一幀時做KLT算法初始化處理，不做跟蹤，之后每一幀都從上一幀目標位置中利用KLT算法選取被跟蹤目標特征，在當前幀中找到與之相對應的特征區域；然后跟蹤器根據圖像塊的每個圖像塊內部的特征點個數來決定是否保留，若一個圖像塊區域內的特征點個數超過了一定的經驗閾值，那么該圖像塊就被判定為候選狀態而被保留。

6.根據權利要求1所述的方法，其特征是，所述的量化評分是指：提取候選圖像塊的Haar特征，通過級聯Adaboost分類器評價候選位置的真實性，進行量化的評價：其中：的意思是被檢測目標停在了級聯Adaboost分類器的第層，即代表了被檢測矩形框的量化評分；

其中：代表了級聯分類器中的一個弱分類器，s(L)代表了第L層的一系列弱分類器；當函數F_i大于某個經驗閾值，那么就可以通過這一層，反之則不能通過；所述的弱分類器權重w_i,l是通過AdaBoost的學習方法學習得出的。

7.根據權利要求1所述的方法，其特征是，所述的聯合函數由各目標之間的空間位置關系以及各目標候選位置的評分組成，通過構建該聯合函數模型，求函數的最優解，就能得出最佳的候選位置作為跟蹤的結果。