欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019104899847
申请人: 南京工程学院
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,包括如下步骤:

步骤一、对待检测视频图像进行3次迭代部件组合检测,其中在第2次部件组合检测后,根据非极大值抑制算法滤除重复的头部检测区域,并定位和获取剩余目标的头部图像块,计算第2次迭代后的头部图像块的平均灰度直方图;

步骤二、在第3次部件组合检测后,再次利用非极大值抑制滤除重复的目标头部检测框,判别第3次与第2次迭代生成的目标头部矩形区域中心点间的欧式距离是否为零,若为零则剔除第2次生成的头部检测框,若不为零则保留新增目标头部检测框;计算第3次迭代后保留的新增目标头部灰度直方图与第2次迭代后的头部图像块的平均灰度直方图间的直方图面积重叠率,滤除重叠率小于设定阈值的目标头部检测框,获得剩余头部检测框及所在目标检测框;

步骤三、通过二进制整数规化、重叠约束和链条约束提取剩余头部检测框及所在目标检测框中互遮挡或不完整检测目标的局部可观测区域,获得目标可观测区域的中心和尺度信息;将各帧图像中检测的多目标区域信息建立成观测数据集;

步骤四、根据观测数据集获得目标轨迹,计算当前帧每个跟踪轨迹的置信度,依据上一帧置信度的计算结果判断目标对应关系实现跟踪。

2.根据权利要求1所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,步骤二具体为:计算第3次迭代后保留的新增目标头部灰度直方图与第2次迭代后的头部图像块的平均灰度直方图间的直方图面积重叠率ρ,即二者重叠部分的面积与平均灰度直方图面积的比值;设面积重叠率阈值为θ,若ρ>θ时,则保留该目标头部检测框,该头部检测对应的目标检测区域作为最终检测;若ρ≤θ时,则去除该目标头部检测框,如式(3)所示;

其中,i为新增目标头部矩形区域的序号;Q1、Q2分别为第2和3次迭代生成目标头部的总序号,ρt表示当前帧t的直方图面积重叠率。

3.根据权利要求1所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,面积重叠率阈值θ的取值范围为θ∈[0.6,0.8]。

4.根据权利要求1所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,步骤三包括,获得目标可观测区域的中心和尺度信息,即当前帧t中行人i的矩形区域中心点坐标 和尺度 将最终的多目标区域检测信息存储至对应数组单元和 以建立多目标观测数据集Ut,如式(4)和(5)所示;

其中,N为图像序列的总帧数。

5.根据权利要求1所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,步骤四中根据观测数据集获得目标轨迹包括:步骤401:根据观测数据集获得目标初始轨迹,设置轨迹置信度初值;依据上一帧置信度值切换不同的轨迹关联方式,跟踪轨迹置信度大于等于轨迹置信等级阈值ε时判定为高置信度轨迹,高置信度轨迹采用局部关联;跟踪轨迹置信度小于判别轨迹置信等级的阈值ε时判定为低置信度轨迹片段,低置信度轨迹片段采用整体关联;

当目标被判定离开视场时,取消对应的身份标号;

利用置信度模型更新当前帧视场内多目标的跟踪轨迹置信度,根据观测集、连续帧的尺度数据获得多目标矩形区域的尺度信息,并利用卡尔曼滤波法预测目标的矩形区域中心位置信息;

步骤402:融合当前与历史观测信息判断是否存在未被关联的孤立检测区域,该区域对应目标为孤立检测目标;将该孤立检测目标与历史帧中的高置信度目标逐一进行分块HSV颜色直方图匹配,计算二者间分块HSV颜色直方图的总KL散度积,若散度积小于设定阈值,则该孤立检测目标为旧目标,否则为首次出现的新目标;初始化新目标跟踪轨迹。

6.根据权利要求5所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,步骤401具体为:以多目标观测数据建立初始多目标轨迹,如式(6)和(7)所示:

当 且 时,其中 分别为相邻帧目标间的区域重叠率

及尺度比,τ1、τ2分别为重叠率、尺度比的设定阈值;目标g和目标i关联成功,生成目标i的初始轨迹片段;若同时满足轨迹片段长度等于设定轨迹片段长度阈值L1,则目标i被判定为稳定出现;

建立目标i的初始轨迹,并设该目标初始轨迹置信度为γ;

依据上一帧轨迹置信度的值切换不同的轨迹关联方式实现跟踪:当轨迹被判定为高置信度轨迹时,轨迹采用局部关联当前所有观测数据的方式;当轨迹被判定为低置信度轨迹片段时,该轨迹片段采用整体关联当前未被局部关联的观测数据和上一帧中高置信度轨迹的方式;

通过计算多目标和关联对象间的外观、尺度和运动相似度模型,获取关联得分;

基于关联得分,利用匈牙利算法选取最佳关联对;若目标观测信息丢失超过设定阈值L2帧,则判定该目标离开视场并取消其身份标号;利用式(8)更新多目标跟踪轨迹置信度;被成功关联的目标尺度为观测集中对应的尺度数据,未被关联的目标尺度为连续L1帧内对应尺度的均值;利用卡尔曼滤波更新目标矩形区域中心位置信息;

其中, 为第t‑1帧检测目标i和第t帧检测目标g的矩形区域面积总和;

为两者的重叠面积; 为第t‑1帧目标i矩形区域的高度; 为第t帧目标g矩形区域的高i i度;T 为目标i的轨迹或轨迹片段;L3为T的长度; 分别为轨迹开始和结束的时间戳;

为检测器输出的目标矩形区域观测信息;ω为不可靠的轨迹片段长度;β为系统的控制参数。

7.根据权利要求6所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,参数的取值范围如下:重叠率阈值τ1∈[0.3,0.5],尺度比阈值τ2∈[0.7,0.9],轨迹片段长度阈值L1∈[3,5],目标初始轨迹置信度γ∈[0.7,0.8],轨迹置信等级阈值ε∈[0.45,

0.65],目标观测信息丢失阈值L2∈[15,18]。

8.根据权利要求6所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,系统的控制参数β的取值范围为:β∈[1.2,1.4]。

9.根据权利要求5所述的一种基于迭代滤波和观测判别的多行人跟踪方法,其特征在于,步骤402具体为:融合当前和历史观测信息判断是否存在孤立检测目标,为判别该孤立检测目标是否为新出现目标,将该孤立检测目标区域沿垂直方向等分为固定数量矩形子块,计算各块的HSV颜色直方图,并与历史帧中高置信度目标的块HSV颜色直方图进行匹配;计算块HSV颜色直方图间总的KL散度积DKL(G||H),如式(9)所示;设阈值为δ,若DKL(G||H)<δ,则该孤立检测目标非首次出现,赋予其历史标号,以确保同一目标跟踪的一致性;若DKL(G||H)>δ,则该目标为首次出现的新目标,赋予其新的身份标号,以给定新出现目标一个身份标记;根据步骤

401建立新目标初始跟踪轨迹;

其中,δ∈[0.001,0.015];H为孤立检测目标分块HSV颜色直方图;G为历史帧中高置信度目标分块HSV颜色直方图;b为分块图像的序号,b∈[3,5];c为HSV颜色直方图的箱格序号,max(c)∈[120,150];G(b,c)为历史模板目标的第b个分块颜色直方图的第c个bin,H(b,c)为孤立检测目标的第b个分块颜色直方图的第c个bin。