基于視頻的多目標跟蹤方法及裝置制造方法及圖紙

本發(fā)明專利技術(shù)提供一種基于視頻的多目標跟蹤方法及裝置，包括提取目標模板并初始化目標的參數(shù)步驟、Adaboost檢測步驟、根據(jù)運動模型，對粒子集進行動態(tài)預測步驟、對各個混合分量的權(quán)值進行更新步驟、更新每個目標的運動狀態(tài)步驟及模板更新步驟。其能有效處理多目標跟蹤中多模式問題，并保持了計算的有效性；且可在實現(xiàn)多目標跟蹤的同時，也能保證實時性的要求。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及計算機視覺與模式分析領(lǐng)域，特別涉及一種基于視頻的多目標跟蹤方法及裝置。
技術(shù)介紹
隨著視頻技術(shù)的發(fā)展，視頻目標跟蹤成為熱門的研究課題。它是計算機視覺研究領(lǐng)域的一個主要方向，是行為識別、智能視頻監(jiān)控、人體運動分析等高級視頻應用的基礎。目標跟蹤并不是一個簡單的問題，由于視覺目標本身及周邊環(huán)境復雜多變，比如目標會受到光照、遮擋、相近背景干擾，目標之間交錯，以及目標本身的外觀、姿態(tài)、形態(tài)、運動無規(guī)律等干擾因素的影響，最終導致跟蹤失敗或有較大偏差，因此建立穩(wěn)定的跟蹤系統(tǒng)是計算機視覺中極具挑戰(zhàn)性的研究課題。而其中對于多目標跟蹤系統(tǒng)的建立具有更大的難 度。多目標跟蹤時面臨兩個主要問題。首先觀測模型和目標分配是高度非線性非高斯的，其次，大量變化的跟蹤目標存在因為重疊和不確定性而產(chǎn)生復雜的交互作用。從總體來說在多目標復雜環(huán)境下，跟蹤視覺特征大多面臨許多不確定性。為了全面捕捉這些因素的不確定性，通常要求算法具有多模式搜索能力，粒子濾波器作為一種普通應用的近似方法，本身能實現(xiàn)多模式搜索，并能在全局空間中找到最優(yōu)結(jié)果，因此比單模式的搜索策略具有更好的魯棒性。但粒子濾波器在多模式搜索上又存在以下不足首先它在連續(xù)維持目標分配的多種模式上是較弱的。其次，目標狀態(tài)當有不足的量測和噪聲或者來源于多目標時是不確定的，這導致多種模式增長。在實際的粒子濾波器實現(xiàn)中，此種情況下要跟蹤所有存在的目標，經(jīng)常發(fā)生所有粒子快速合并到一種模式，而拋棄了所有其他模式，導致粒子采樣過早貧瘠，不能實現(xiàn)多目標的跟蹤。為了處理這些不足，最根本的方法就是提出新型的粒子濾波器。要求新型的粒子濾波器能很好地處理多種模式問題。同時計算量要小，計算的有效性要強。但任何單純的任何一種粒子濾波器對數(shù)目變化的多目標跟蹤處理能力均不足。
技術(shù)實現(xiàn)思路
針對現(xiàn)有技術(shù)存在的問題，本專利技術(shù)旨在提供在新型粒子濾波器的基礎上結(jié)合Adaboost檢測的優(yōu)勢構(gòu)建一種能學習、檢測和跟蹤感興趣目標的基于視頻的多目標跟蹤方法及裝置。本專利技術(shù)第一方面提供一種基于視頻的多目標跟蹤方法，其將多目標分配公式化成一個混合的粒子濾波分布，由蒙特卡羅通過預測和更新兩步遞歸實現(xiàn)新型粒子濾波器，再將新型粒子濾波器和Adaboost檢測融合構(gòu)造多目標跟蹤器，包括如下步驟A、提取目標模板并初始化目標的參數(shù)；B、Adaboost 檢測；C、根據(jù)運動模型，對粒子集進行動態(tài)預測；D、對各個混合分量的權(quán)值進行更新；E、更新每個目標的運動狀態(tài)；F、模板更新；G、結(jié)束。優(yōu)選地，所述步驟A具體包括如下步驟Al、猶取跟蹤區(qū)域；A2、初始化目標的運動狀態(tài)和粒子集合。 優(yōu)選地,所述步驟B具體包括如下步驟 BI、通過級聯(lián)Adaboost檢測器檢測是否有新目標出現(xiàn)，并用以Adaboost檢測為中心的高斯分布生成粒子。B2、從Adaboost檢測中抽取圖像塊，初始化交換概率主成分分析模板更新器。優(yōu)選地，所述步驟C中所述動態(tài)模型使用常速和隨機游走相混合動態(tài)模型來適應運動、旋轉(zhuǎn)、目標大小變化以及遮擋的處理。優(yōu)選地，所述步驟D具體包括如下步驟D1、混合貝葉斯序列濾波過程；D2、新型粒子濾波跟蹤器權(quán)值更新；D3、建議密度的選??；D4、觀測似然的計算。優(yōu)選地,所述步驟E具體包括如下步驟E1、根據(jù)重要性權(quán)值重采樣，產(chǎn)生未加權(quán)樣本。E2、對未加權(quán)的樣本求均值。E3、重采樣。優(yōu)選地，所述步驟F具體包括學習、更新及預測三個主要步驟。本專利技術(shù)第二方面提供一種基于視頻的多目標跟蹤裝置，包括目標獲取裝置，目標初始化裝置，Adaboost檢測裝置，粒子濾波跟蹤器裝置，模板更新器裝置。本專利技術(shù)提供的一種基于視頻的多目標跟蹤方法及裝置，其將多目標分配公式化成一個混合的粒子濾波分布，由蒙特卡羅通過預測和更新兩步遞歸實現(xiàn)新型粒子濾波器，再將新型粒子濾波器和Adaboost檢測融合構(gòu)造多目標跟蹤器，具有如下有益效果I、新型粒子濾波器能有效處理多目標跟蹤中多模式問題，混合粒子間的相互作用只在混合權(quán)值的計算上，這就使計算量大大減少，并保持了計算的有效性。在實現(xiàn)多目標跟蹤的同時，也能保證實時性的要求。2、新型粒子濾波器和Adaboost檢測融合構(gòu)造多目標跟蹤器有兩個重要特點首先，它使用Adaboost重新構(gòu)建了建議密度函數(shù)，提高了算法的魯棒性。合并最新觀測的建議密度函數(shù)的算法性能同只使用轉(zhuǎn)移先驗密度的建議密度相比，具有很好的優(yōu)越性。第二，Adaboost提供了一個獲取和保持混合描述的框架。特別是，它能有效地檢測目標離開和進入場景。最終實現(xiàn)對數(shù)目變化的多目標跟蹤。附圖說明圖I為本專利技術(shù)一種基于視頻的多目標跟蹤方法的流程圖；圖2為圖I中提取目標模板并初始化目標的參數(shù)的流程圖；圖3為圖I中對各個混合分量的權(quán)值進行更新的流程圖；圖4為圖3中建議密度函數(shù)的似然分布曲線比較圖；圖5為圖I中更新每個目標的運動狀態(tài)的流程圖；圖6為本專利技術(shù)一種基于視頻的多目標跟蹤裝置的結(jié)構(gòu)示意圖。具體實施例方式下面結(jié)合附圖并通過具體實施方式來進一步說明本專利技術(shù)的技術(shù)方案 請參照圖1，本專利技術(shù)提供一種基于視頻的多目標跟蹤方法，其將多目標分配公式化成一個混合的粒子濾波分布，由蒙特卡羅通過預測和更新兩步遞歸實現(xiàn)新型粒子濾波器，再將新型粒子濾波器和Adaboost檢測融合構(gòu)造多目標跟蹤器，包括如下步驟A、提取目標模板并初始化目標的參數(shù)；B、Adaboost 檢測；C、根據(jù)運動模型，對粒子集進行動態(tài)預測；D、對各個混合分量的權(quán)值進行更新；E、更新每個目標的運動狀態(tài)；F、模板更新；G、結(jié)束。所述步驟A主要包括以下步驟Al、獲取跟蹤區(qū)域；A2、初始化目標的運動狀態(tài)和粒子集合。所述步驟B主要包括如下步驟BI、通過級聯(lián)Adaboost檢測器檢測是否有新目標出現(xiàn)，并用以Adaboost檢測為中心的高斯分布生成粒子。B2、從Adaboost檢測中抽取圖像塊，初始化交換概率主成分分析模板更新器。所述步驟C中所述動態(tài)模型使用常速和隨機游走相混合動態(tài)模型來適應運動、旋轉(zhuǎn)、目標大小變化以及遮擋的處理。所述步驟D具體包括如下步驟D1、混合貝葉斯序列濾波過程；D2、新型粒子濾波跟蹤器權(quán)值更新；D3、建議密度的選??；D4、觀測似然的計算。所述步驟E具體包括如下步驟E1、根據(jù)重要性權(quán)值重采樣，產(chǎn)生未加權(quán)樣本。E2、對未加權(quán)的樣本求均值。E3、重采樣。所述步驟F具體包括學習、更新及預測三個主要步驟。具體實現(xiàn)方式如下請參考圖2，步驟A、提取目標模板并初始化目標的參數(shù)其中，所述步驟Al、獲取跟蹤區(qū)域具體為跟蹤目標可以采用人機交互的方式在視頻中指定區(qū)域，也可以根據(jù)視頻的運動目標檢測自動獲取跟蹤區(qū)域。假設目標是一個中心為(x，y)，長寬分別為(sx，sy)的矩形區(qū)域，但不限定矩形區(qū)域的形狀。根據(jù)這些先驗知識建立目標的特征模板。初始化目標的狀態(tài)參數(shù)為目標的狀態(tài)向量由一個六維向量表示它被參數(shù)化為=，其中，X和y表示矩形的質(zhì)心坐標和;是目標沿x和y的速度，Sx和Sy是目標寬度和高度。所述步驟A2、初始化目標的運動狀態(tài)和粒子集具體為 用N 個樣本集合{xi，)0，wLm=lM 表不 P(XO),其中q(X0X=/N M = O0新型粒子濾波器中如何獲取、傳播和維持新的混合表示尤為重要，在理想情況下，對于在目標分布中每個模式將有一個混合部分。然而，實際上在目標分布中模式本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于視頻的多目標跟蹤方法，其將多目標分配公式化成一個混合的粒子濾波分布，由蒙特卡羅通過預測和更新兩步遞歸實現(xiàn)新型粒子濾波器，再將新型粒子濾波器和Adaboost檢測融合構(gòu)造多目標跟蹤器，其特征在于，包括如下步驟：A、提取目標模板并初始化目標的參數(shù)；B、Adaboost檢測；C、根據(jù)運動模型，對粒子集進行動態(tài)預測；D、對各個混合分量的權(quán)值進行更新；E、更新每個目標的運動狀態(tài)；F、模板更新；G、結(jié)束。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：初紅霞，王希鳳，張鵬，韓晶，周強，聶相舉，
申請(專利權(quán))人：初紅霞，
類型：發(fā)明
國別省市：