[发明专利]基于特征点分类的监控录像中实时多目标检测与跟踪方法

权利要求书

1.一种基于特征点分类的监控录像中实时多目标检测与跟踪方法，其特征在于，包括如下步骤：

(1)离线预处理阶段，将目标物体划分成若干区域，在训练样例中提取每个区域的特征来训练一个分类器，并计算所有训练样例中每个区域相对于目标中心位置偏移的平均值和标准差。

(2)提取当前图片帧中的角点，通过离线训练好的分类器确定角点所属的区域，计算出对应的目标中心位置，即目标中心点。

(3)根据目标中心点的分布情况，快速检测出目标物体。

(4)确定角点和目标物体之间的对应关系，在跟踪角点的基础上跟踪物体。

2.根据权利要求1中所述的基于特征点分类的监控录像中实时多目标检测与跟踪方法，其特征在于，所述步骤(1)具体为：

(A)以角点相对集中的地方为中心，周围一个邻域块看作是目标物体的一个局部，把物体分为若干块，块与块之间可以互相重叠，目标物体可以不必被这些块完全覆盖。

(B)使用多颗随机树作为分类器，并手工标记训练样例中目标物体的各个区域块，计算每个块的梯度，把梯度块缩放到一固定大小然后作为特征去训练分类器；

(C)计算所有训练样例中每个区域相对于目标中心位置偏移的平均值和标准差：

其中d_i表示目标中心到第i个部分的，是第n个训练样例的d_i值，N为训练数据的总数。这里的d_i和σ_i都是一个2维向量，包含x和y方向。

3.根据权利要求1中所述的基于特征点分类的监控录像中实时多目标检测与跟踪方法，其特征在于，所述步骤(2)具体为：

(A)选取图片中的角点，提取其周围的梯度块并使用随机树分类，得到角点属于物体各个区域的概率分布；

(B)选取其中大于λ(λ为固定阈值)的项，求出对应的目标中心点，用c表示中心点，f表示角点，p_f为f对应的概率分布(其中c和f为2维的向量，包含x和y方向)，则有：

c_fi＝f+d_i，if p_f(i)＞λ

下标fi表示中心点对应f的第i项，p_f(i)为p_f的第i项值。同时定义c_fi的概率p(c_fi)＝p_f(i)，以及类型type(c_fi)＝i。

4.根据权利要求1中所述的基于特征点分类的监控录像中实时多目标检测与跟踪方法，其特征在于，所述步骤(3)具体为：

(a)用W表示一个大小为3σ_max×3σ_max的窗口(σ_max＝max{|σ₁|，...，|σ_T|})，按从左到右，从上到下的顺序遍历图片中所有的W，直到找到一个W满足下面的公式：

式中的α和β都是固定的参数。第一个条件是指W中所有中心点的概率之和要大于α；第二个条件中，{type(c)，c∈W}表示W中所有中心点的类型的集合，其元素个数要大于β×T，也就是说W至少要包含β×T个不同类型的中心点。

(b)以第一步找到的窗口为起始位置，用mean-shift方法找到局部最大的窗口，所谓局部最大是指这个窗口包含的中心点概率之和在一个邻域内是最大的。这个局部最大的窗口就作为检测到的目标物体的位置。

(c)标记找到的窗口，以免重复检测，然后从上次的位置开始继续遍历。

5.根据权利要求1中所述基于特征点分类的监控录像中实时多目标检测与跟踪方法，其特征在于，所述步骤(4)具体为：

(a)角点所属的物体是其概率最大的中心点所属的物体，用o表示一个物体，W_o表示物体中心的窗口，则有：

f∈oifcfim∈Wo,im=argmaxi(pf(i)).]]>

(b)通过KLT来跟踪角点，计算出每个角点的位移offset_f，并通过下面的式子计算目标物体的位移：

offseto=Σf∈ooffsetf×wfΣf∈owf]]>

其中trackedcount_f是特征点被连续跟踪的帧数，跟踪时间越长的特征点具有越大的权重，同时为了避免一个点的权重变得过大，做了一个截断，w_f的最大值为0.25。