[發明專利]一種基于樣本學習和目標檢測結合的目標跟蹤方法和裝置

有效

• 申請號: 201810193833.2
• 申請日: 2018-03-09
• 公開（公告）號: CN108509861B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 許化強;萬洪林;白成杰;李奇林;高鑒
• 申請（專利權）人: 山東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06T7/215;G06T7/246;G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

本發明公開了一種基于樣本學習和目標檢測結合的目標跟蹤方法和裝置，讀取視頻序列，將視頻序列中當前視頻幀轉化為灰度圖像；采用Lucas?Kanade光流法跟蹤灰度圖像中的目標；檢測當前視頻幀中目標，獲取正確的樣本區域中心集合；對正確的樣本區域中心集合進行一致性檢查，得到小于設定距離閾值的樣本區域集合，并進行正負樣本學習；計算正負樣本學習得到的樣本區域集合中每個樣本區域與目標跟蹤獲得的跟蹤結果的面積重疊百分比，并計算重疊百分比超過50％的樣本區域所在中心的均值，得到跟蹤結果。本發明以目標跟蹤算法作為基礎框架，引入HOG特征和SVM分類器，解決了行人跟蹤中的諸多問題，達到更好的跟蹤效果。

技術領域

本發明涉及視頻圖像處理技術領域，具體涉及一種基于樣本學習和目標檢測結合的適合對視頻行人進行長時間穩定的目標跟蹤方法和裝置。

背景技術

行人跟蹤作為視頻圖像處理的一個重要研究方向，對后期的人體運動信息提取、處理、理解，環境信息三維立體重建等，具有先導作用，也被用作行人識別的輔助方法，其用途廣泛。目前比較成熟的行人跟蹤算法從技術角度主要分為兩類：第一類是傳統的經典跟蹤算法，包括基于點的跟蹤、基于統計的跟蹤、基于輪廓的跟蹤等，這類方法所建立的數學模型相對簡單，運用單純的目標跟蹤理論，技術已經比較成熟，實際應用已經非常廣泛；第二類是綜合跟蹤算法，包括基于機器學習的跟蹤算法和目標檢測與跟蹤綜合算法等，這一類算法綜合運用了機器學習、檢測、識別等多種手段，已經不再是單純的目標跟蹤，在提高跟蹤效果的同時，對運算速度較為敏感，算法復雜度方面也有待進一步改進。

目前，在國內外有眾多機構都在進行行人跟蹤方向的研究。Kalal等提出了多種視頻跟蹤算法，包括TLD方法、在線檢測方法、錯誤目標自動檢測方法和boosting方法；AlbertoBroggi在其主導的ARGO項目中采用了一種基于外形的行人跟蹤方法，該算法首先根據人體左右對稱的特點，收集目標行人在垂直方向上邊緣對稱、外貌和尺寸比例等特征，在圖像中找到感興趣的候選區域，然后提取出垂直邊緣,選取具有較高對稱性的區域。美國麻省理工大學的M.Oren與C.Papageorgiou合作創建了Haar小波模板，并將其引入到行人跟蹤領域中。Haar小波模板比較適合用于表示結構較為簡單的物體，效果較好而且速度快，目前已經被廣泛應用于行人跟蹤過程中。Haar小波模板行人跟蹤算法依靠其優異的特性，成為了行人跟蹤的經典算法之一。Navneet Dalal和Bill Triggs使用梯度方向直方圖(HOG)來表示人體特征，通過在INRIAPerson數據集中的測試，該方法成功率高，在行人方面有著很強的魯棒性，特別是在道路行人跟蹤的應用場景中，效果非常好。伊利諾伊大學的Niebles.J.C等人，采用將AdaBoost分類器級聯的方法進行人體的識別，并將該算法引入到了行人跟蹤的領域，使得行人跟蹤的效果有了進一步提高。中國科學院自動化所譚鐵牛等人對人體運動進行了圖像分析,該方法的思路是利用機器視覺技術在視頻流中檢測、跟蹤、識別行人，然后對目標行人的動作、行為等進行理解和描述,該方法主要應用在監控領域和基于姿態的身份識別中。通過實驗，該算法不僅在對行人的跟蹤和識別方面具有良好的特性，而且，更難能可貴的是其算法的時間復雜度也比其他類似算法要低。但是，當行人停止運動時，該算法會失效。西安交通大學鄭南寧等通過稀疏Gabor濾波器提取目標行人的特征,然后使用這些特征來對SVM分類器進行訓練。這種方法時間復雜度較高，難以達到實時處理的要求。上海交通大學的田廣等人提出了一種coarse-to-fine的行人跟蹤方法,先用一個訓練好的形體整體分類器在圖像中搜索和判別是否有行人，產生候選區域后，再使用各人體部位的局部分類器進一步確定候選區域中的行人。結果顯示該方法能夠在較為復雜的背景環境中跟蹤行人，但是該算法的模型比較難構建，而且求解也比較復雜。

綜上所述，現有技術中對于行人停止運動時，如何進行行人的跟蹤和識別，算法時間復雜度較高，難以達到實時處理，在較為復雜的背景環境中跟蹤行人，難構建算法模型，求解比較復雜的問題，尚缺乏有效的解決方案

發明內容