[發(fā)明專利]基于馬爾科夫模型的視頻多行人追蹤方法

有效

• 申請?zhí)枺?/td>: 202010092644.3
• 申請日: 2020-02-14
• 公開（公告）號: CN111242985B
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計(jì)）人: 楊帆;黃翠彥;龐琬佳;胡丁文
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06T7/277
• 分類號: G06T7/277;G06V10/74
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 李夢蝶

本發(fā)明公開了一種基于馬爾科夫模型的視頻多行人追蹤方法，其包括S1初始化運(yùn)動軌跡；S2獲取視頻序列下一幀中的行人檢測框，并計(jì)算運(yùn)動相似度及外觀相似度；S3所有運(yùn)動相似度超過閾值？所有外觀相似度超過閾值？若是任一超過則新增一條運(yùn)動軌跡并返回S2，否則進(jìn)入S4；S4計(jì)算每條運(yùn)動軌跡與每個行人檢測框的匹配相似度；S5；運(yùn)動相似度超過閾值？外觀相似度超過閾值？若是任一超過則運(yùn)動軌跡轉(zhuǎn)移到當(dāng)前行人檢測框的轉(zhuǎn)移概率為零；否則進(jìn)入S6；S6采用馬爾科夫模型分別計(jì)算每條運(yùn)動軌跡轉(zhuǎn)移至每個行人檢測框的轉(zhuǎn)移概率；S7根據(jù)轉(zhuǎn)移概率對多條軌跡進(jìn)行跟蹤，并在運(yùn)動軌跡有效時(shí)更新計(jì)算匹配相似度時(shí)的權(quán)重后返回步驟S2。

技術(shù)領(lǐng)域

本發(fā)明涉及視頻中的行人追蹤，具體涉及一種基于馬爾科夫模型的視頻多行人追蹤方法。

背景技術(shù)

現(xiàn)有的基于視頻多行人追蹤算法主要分為兩大類：一類是基于運(yùn)動信息結(jié)合濾波方式進(jìn)行多目標(biāo)行人跟蹤，其中常用的濾波方式有卡爾曼濾波、擴(kuò)展卡爾曼濾波以及粒子濾波等，該類算法主要通過檢測獲得行人的運(yùn)動信息，如運(yùn)動速度和方向等，然后通過濾波方式對目標(biāo)的運(yùn)動狀態(tài)進(jìn)行預(yù)測，從而得到目標(biāo)的運(yùn)動軌跡。該類算法的特點(diǎn)是計(jì)算簡單，但是追蹤精度不高，當(dāng)行人存在相互遮擋時(shí)，容易出現(xiàn)行人軌跡切換而導(dǎo)致跟蹤出錯的情況。另一類是基于深度學(xué)習(xí)特征關(guān)聯(lián)算法，該類算法主要是通過深度學(xué)習(xí)模型，訓(xùn)練并獲得行人特征，通過特征關(guān)聯(lián)來跟蹤行人的軌跡，該類算法的特點(diǎn)是跟蹤精度相對較高，但是計(jì)算復(fù)雜，在行人特征相似或行人受到遮擋時(shí)軌跡跟蹤精度下降。

現(xiàn)有的基于視頻多行人跟蹤算法都難以解決多行人之間因相互遮擋、行人受其他物體遮擋或行人之間外觀相似而造成的軌跡跟蹤精度下降問題。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，在復(fù)雜的環(huán)境下對多行人進(jìn)行準(zhǔn)確的軌跡跟蹤尤為重要，但是在多行人環(huán)境下，遮擋或外觀相似等問題是不可避免的，尤其在人流量較大的情況下，遮擋是目標(biāo)跟蹤算法首要解決的問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于馬爾科夫模型的視頻多行人追蹤方法解決了現(xiàn)有的多行人追蹤算法因行人相互遮擋或外觀相似造成的跟蹤精度下降的問題。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

提供一種基于馬爾科夫模型的視頻多行人追蹤方法，其特征在于，包括：

S1、獲取視頻序列第一幀中的行人檢測框，并將其作為初始運(yùn)動軌跡；

S2、獲取視頻序列下一幀中的行人檢測框，并計(jì)算每個行人檢測框與所有運(yùn)動軌跡上一幀中的行人檢測框之間的運(yùn)動相似度及外觀相似度；

S3、判斷同一行人檢測框?qū)?yīng)的所有運(yùn)動相似度是否均大于運(yùn)動閾值及所有的外觀相似度是否均大于外觀閾值；

若所有運(yùn)動相似度均大于運(yùn)動閾值或者所有的外觀相似度均大于外觀閾值，則新增一條運(yùn)動軌跡并返回步驟S2；

若所有運(yùn)動相似度均小于等于運(yùn)動閾值且所有的外觀相似度均小于等于外觀閾值，則進(jìn)入步驟S4；

S4、根據(jù)行人檢測框與運(yùn)動軌跡的運(yùn)動相似度和外觀相似度，分別計(jì)算每條運(yùn)動軌跡與每個行人檢測框的匹配相似度；

S5、判斷當(dāng)前行人檢測框與運(yùn)動軌跡之間的運(yùn)動相似度是否大于運(yùn)動閾值及外觀相似度是否大于外觀閾值；

若運(yùn)動相似度大于運(yùn)動閾值或者外觀相似度大于外觀閾值，則運(yùn)動軌跡轉(zhuǎn)移到當(dāng)前行人檢測框的轉(zhuǎn)移概率為零；

若運(yùn)動相似度小于等于運(yùn)動閾值且外觀相似度小于等于外觀閾值，則進(jìn)入步驟S6；

S6、根據(jù)同一運(yùn)動軌跡與所有行人檢測框之間的匹配相似度，采用馬爾科夫模型分別計(jì)算每條運(yùn)動軌跡轉(zhuǎn)移至每個行人檢測框的歸一化的轉(zhuǎn)移概率；