[發(fā)明專利]基于KCF算法的多目標行人跟蹤系統(tǒng)及跟蹤方法

有效

• 申請?zhí)枺?/td>: 201811407750.5
• 申請日: 2018-11-23
• 公開（公告）號: CN109615641B
• 公開（公告）日: 2022-11-29
• 發(fā)明（設計）人: 陳梓陽;鄭偉詩
• 申請（專利權(quán)）人: 中山大學
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于KCF算法的多目標行人跟蹤系統(tǒng)及跟蹤方法，系統(tǒng)包括初始化模塊、單目標跟蹤KCF模塊、跟蹤與檢測匹配模塊、目標移除模塊、打印模塊和目標新增模塊；所述初始化模塊，用于初始化所有變量；所述單目標跟蹤KCF模塊，用于對單個目標進行跟蹤；所述跟蹤與檢測匹配模塊，對每個目標的跟蹤結(jié)果與畫面中的檢測目標進行匹配；所述目標移除模塊，用于判定目標是否已經(jīng)離開畫面；所述打印模塊，用于對所述跟蹤與檢測匹配模塊的匹配結(jié)果，在圖上畫出行人的邊框以及其id信息；所述目標新增模塊，用于判定檢測目標是否為新出現(xiàn)的目標。本發(fā)明基于單目標跟蹤算法KCF設計出一個多目標跟蹤的系統(tǒng)框架，實時地提供各個目標的運動軌跡以及id信息。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理的技術(shù)領(lǐng)域，涉及一種基于KCF算法的多目標行人跟蹤系統(tǒng)及跟蹤方法。

背景技術(shù)

目標跟蹤算法可以自動提取和分析軌跡特征，包括單目標跟蹤和多目標跟蹤。單目標跟蹤的研究較為廣泛，當前解決的相對更好，可以通過對目標的表觀和運動建模，典型的如Mean shift算法，利用卡爾曼濾波、粒子濾波進行狀態(tài)預測，KCF相關(guān)性濾波算法等。而多目標跟蹤問題就要復雜得多，除了單目標跟蹤中存在的物體形變、背景干擾等問題因素，還需要解決目標間的關(guān)聯(lián)匹配。多目標跟蹤通常需要解決以下問題：1.如何判斷新目標的出現(xiàn)、老目標的消失；2對各個跟蹤軌跡與檢測結(jié)果進行相似性匹配，即區(qū)分各個目標；3跟蹤目標間的交互和處理；4當跟蹤目標再次出現(xiàn)，如何進行再識別問題。現(xiàn)有的學術(shù)上的多目標跟蹤方法大多屬于“tracking-by-detection”的方法，即先得到各目標的檢測結(jié)果，再與各軌跡進行鏈接匹配。從算法形式上來看，可分成確定性推導的跟蹤和概率統(tǒng)計最大化的跟蹤，如多假設的多目標跟蹤算法（MHT），基于檢測可信度的粒子濾波算法，NOMT，deep-sort等。

現(xiàn)有技術(shù)中的多目標跟蹤算法大多設計得過于復雜、笨重，速度慢。而且這些算法的評測是在學術(shù)公開的數(shù)據(jù)集上進行，容易對這些固定數(shù)據(jù)集過于擬合，而在實際應用中效果不太理想。而在工程落地上，比起跟蹤準確性的輕微提升，實際業(yè)務會更關(guān)注算法的速度與簡單輕便性。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供基于KCF算法的多目標行人跟蹤系統(tǒng)及跟蹤方法，本發(fā)明主要基于單目標跟蹤算法KCF設計出一個多目標跟蹤的系統(tǒng)，實時地提供各個目標的運動軌跡以及id信息。

為了達到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明基于KCF算法的多目標行人跟蹤系統(tǒng)，包括初始化模塊、單目標跟蹤KCF模塊、跟蹤與檢測匹配模塊、目標移除模塊、打印模塊和目標新增模塊；

所述初始化模塊，用于初始化所有變量；

所述單目標跟蹤KCF模塊，用于對單個目標進行跟蹤；

所述跟蹤與檢測匹配模塊，對每個目標的跟蹤結(jié)果與畫面中的檢測目標進行匹配，即區(qū)分各個目標，將各目標與跟蹤軌跡鏈接；

所述目標移除模塊，用于判定目標是否已經(jīng)離開畫面；

所述打印模塊，根據(jù)之前的匹配結(jié)果，從打印隊列中逐個取出檢測框與其對應的目標id，并在圖中打印出來，即將圖中的行人用檢測框框出來且添加上其對應id；

所述目標新增模塊，用于判定檢測目標是否為新出現(xiàn)的目標。

作為優(yōu)選的技術(shù)方案，所屬初始化模塊中，初始化的變量包括將視頻轉(zhuǎn)換成圖片形式，用行人檢測器獲取每幀圖片的行人邊框坐標，初始化模型容器、狀態(tài)管理器。