[发明专利]一种基于消亡弥留的保证多目标视频跟踪中的目标连续性的方法

说明书

技术领域

本发明涉及一种多目标视频跟踪技术，特别涉及一种可以保证多目标视频跟踪中的目标连续性的方法。 

背景技术

基于摄像头的视频监控与动作捕获已经成为当前视频处理领域的研发热点，如何让动态目标的识别结果更加准确和稳定是各种视频跟踪算法的共同目标。 

视频跟踪算法的关键就是对目标也就是前景物体的识别，这本质上是一个模式识别问题。但与单张图片的目标识别不同，视频存在多帧数据，帧间的数据差异成为检测动态目标的首选信息。因此，帧间减影技术是几乎所有视频跟踪算法都愿意采用的方法，通过不同帧之间图像的相减，可以将画面中处于低频段的背景信息(因为其变化速度慢)剔除掉，只留下处于高频段的前景信息(因为其变化速度快)。然后在前景信息中进行针对性的筛选，利用空域/频域滤波或模板/特征匹配以及机器学习的方法，抑制不感兴趣的信息，最后留下目标物体。为了提高识别的精度，很多算法会在最后利用机器学习(比如SVM或BP神经网络)进行目标的筛选，剔除其中的假阳性目标。 

无论使用什么样的视频跟踪算法，对其精度都可以用敏感性与特异性两种指标来表征，敏感性表示被成功识别的真实目标数占总的真实物体数的比例，特异性表示被成功识别的真实目标数占被识别出来的总目标(里面包含了一定量的假阳性)数的比例。敏感性与特异性之间存在矛盾，即敏感性高时特异性会降低，反之亦然，所有跟踪算法都要根据具体的场景与方案需要来调整这两者之间的平衡点。无论是多么成熟的视频跟踪算法，都会产生漏检或误检的情况。 

对于误检，由于往往出现在某几帧中，而其前后的帧中不会出现，因此可以 用基于多帧的去噪技术将其抑制；而对于漏检，一个动态目标在某几帧中突然消失，对于视频监控与动作捕获就会产生跟踪中断、动作结束等，对于后续的处理就会产生负面影响。因此需要一种方法，来对某些帧中目标被漏检的问题进行弥补：如果这些目标最后真的消失了，还是让它消失；如果这些目标只是在那几帧临时漏检一下，接下去又会出现，那么要把它当成从未消失过来处理。 

发明内容

本发明的目的是保证多目标视频跟踪中的目标连续性，防止由于少数帧中目标被漏检而导致多目标跟踪算法失效或误跟踪。 

为了实现上述目的，本发明提供了一种技术方案，主要包括以下步骤： 

(1)采用与当前机器视觉方案相称的模式识别方法从视频或摄像中提取目标。 

(2)对于任意新的一帧F(n+1)(n是帧序号)，取出其毗邻的前一帧F(n)，然后 

a)对于帧F(n)中的每一个目标O_n(i)(0≤i＜N(n)，N(n)是帧F(n)的目标总数)，根据其位置P_n(i)、速度V_n(i)和加速度A_n(i)三个矢量与帧间隔时间TF(n)，预测其在帧F(n+1)中的可能位置 

b)然后对于帧F(n+1)中的每一个目标O_n+1(j)(0≤j＜N(n+1)，N(n+1)是帧F(n+1)的目标总数)，分别计算其P_n+1(j)与每一个 之间的欧式距离即 并根据D(i，j)取值最小的原则确定帧F(n)中的每一个目标O_n(i)到帧F(n+1)中的每一个目标O_n+1(j)的对应关系；如果多个不同的O_n(i)对应到了同一个O_n+1(j)，即产生了冲突，则将D(i，j)取值最小的设为对应，然后其他O_n(i)需要重新在剩下的O_n+1(j)中寻找D(i，j)最近的目标，以此逐项类推以调整所有冲突。建立对应关系后，计算O_n+1(j)的速度V_n+1(j)(V_n+1(j)＝(P_n+1(j)-P_n(i))/TF(n))和加速度A_n+1(j) (A_n+1(j)＝(V_n+1(j)-V_n(i))/TF(n))。