[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

说明书

技术领域

本发明涉及一种目标检测与跟踪方法，尤其涉及一种交通监控系统中的实时多目标检测与跟踪方法。

背景技术

多目标运动物体的检测与跟踪是计算机视觉领域一个非常重要且很具有挑战性的问题，有着广泛的应用。在智能交通监控系统中，就需要实时识别并跟踪出现的车辆和行人。和其它的一些传感器相比，摄像机不但价格便宜，而且安装方便，所以大多数的道路上都安装有摄像头，摄像头拍摄的录像可以用来统计车流量、跟踪车辆行人等等。

近十几年来广大研究者们提出了很多监控录像中车辆行人的检测与跟踪算法，也出现了一些这方面的商业软件。其中大多数的算法都是基于减背景法。减背景法首先通过一段视频序列估计出一个静态的背景，然后通过计算当前图片与背景之间的差异，来检测出属于前景的物体。为了增加减背景法的稳定性，又有研究者提出了高斯混合背景，特征背景(Eigenbackground)等等。

减背景法具有简单快速的优点，但是却会受到遮挡、阴影、光照变化或者相机抖动等的影响。实际中，跟踪目标可能会被遮挡，单纯通过减背景得到的结果难以正确地分割出所跟踪的目标物体。另一方面，减背景法很难处理光照突然变化以及运动目标停下来的情况，比如在路口停下来的车辆会随着背景的更新最终成为背景的一部分。另外一种方法是基于特征点的跟踪与聚类，如ZuWhan Kim.Real time object tracking based on dynamic feature grouping withbackground subtraction.In Proc.IEEE Conf.on Computer Vision and PatternRecognition(CVPR)，2008。这种方法首先提取并跟踪角点(corner point)，然后根据角点的位置、运动轨迹聚类，聚好的类用来代表目标物体。由于单个角点的跟踪很不稳定，上文又提出了动态聚类的方法：首先将角点聚成比较小的类，然后在这个基础上再次聚类。相比减背景法，角点聚类的方法能更好的处理目标物体遮挡的情况，然而由于实际目标的大小不同，聚类很难达到稳定的效果，例如，车辆和行人的大小差很多，如果车辆和行人在一个地方同时出现，聚类的结果很可能会和实际的目标物体有偏差。

还有一些方法采用基于物体的外表匹配(如粒子滤波)，并结合一些检测方法，例如Michael D.Breitenstein，Fabian Reichlin，Bastian Leibe，EstherKoller-Meier and Luc Van Gool Robust Tracking-by-Detection using a DetectorConfidence Particle Filter.IEEE International Conference on Computer Vision(ICCV′09)，虽然可以达到比较好的跟踪效果，但计算相对复杂，在物体比较多的时候难以达到实时。

发明内容

本发明的目的在于针对现有录像监控中的多目标检测与跟踪方法的不足，提供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。

本发明的目的是通过以下技术方案来实现的：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，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。

进一步地，所述的离线预处理阶段，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，具体包含以下步骤：

1)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；

2)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；