[发明专利]一种多目标跟踪的方法

说明书

技术领域

本发明涉及信息技术领域，具体涉及一种多目标跟踪的方法。

背景技术

视频中多目标(人)的追踪效果由于受到多种因素的影响，如：复杂背景，光照，形变，运动方向，遮挡，合并，分离等，致使实现高效可靠的多目标(人)跟踪成为一个较为困难的问题。目前实现多目标跟踪方法之一是：利用稳定的特征空间，如目标的颜色，对比度，方向梯度直方图等特征，建立跟踪队列，以窗口滑动的方式进行跟踪。但由于存在上述的诸多影响因素，目标稳定的特征较难提取。

另一方面，一些基于“检测的跟踪”方法应用在单目标跟踪中，其本质是一个在线的二元判别分类器，通过跟踪目标的当前位置，在目标的一定邻域内给出正负样本，训练分类器，预测下一帧目标可能出现的位置并用分类器进行判断，在最大可能性出现的位置上如果判断为正，则视为跟踪到目标，如此递进地对目标实现跟踪。然而，样本的选取并非总是非常精准，有时(甚至经常)会产生一定的偏差，于是，由此偏差样本训练出的分类器在预测目标的下一位置时亦会产生一定的偏差，如果对此偏差不能很好地进行控制或修正，分类器的判别能力就会退化，经过一段时间的累积，则会产生目标“漂移”的后果。所谓漂移，是指错误地成为物体模型一部分的像素将模型拉离正确的位置致使跟踪目标失真的现象。

鉴于目标“漂移”这一现象，Boris Babenko等人提出了利用“在线的多事例学习”(Online Multiple Instance Learning)方法来加强目标跟踪的稳定性。在多事 例学习方法中，“事例”是指学习或训练的样本。一般算法中，样本是以一个个的单体形式出现，而在多事例学习算法中，学习或训练时样本是以集合(即“包”)的形式出现，一个标记对应一个包而非一个样本，若包中含有至少一个正样本，则此包标记为“正包”，否则为“负包”。此算法的目标是通过训练，学习得到正包中哪个目标是“最正确”。而包中的多个样本也使得学习与训练有更大的选择性，训练出的分类器具有更准确的判别性以解决目标“漂移”问题。

现有的跟踪算法在多目标跟踪方面的应用主要存在以下两方面的问题：一是，存在多目标时，特别在目标模型密集场景下，目标之间的遮挡成为非常严重的一个问题，从而会导致“跟丢”；二是，如果目标具有相似性，在跟踪中会出现将目标A跟踪为B，将目标B跟踪为C，即“跟错”现象。而现有的多事例跟踪算法是用贪婪算法对目标可能出现的下一帧位置进行预测，然后用事先训练好的分类器对预测的位置进行判断，但只应用于对单目标的跟踪。

发明内容

为克服现有技术的不足，本发明提供了一种多目标跟踪的方法，采用分类器和匹配度相结合的方法，可对多个目标进行跟踪，并可实时在线地更新分类器，能够改善多目标跟踪中“跟丢”和/或“跟错”的问题，提高多目标跟踪的准确性。

根据本发明的一个方面，一种多目标跟踪的方法包括下述步骤：利用预定目标检测技术在第一帧视频中检测一个或多个跟踪目标；从第一帧视频提取特征；提取用于训练分类器的样本，并对分类器进行训练；使用训练的分类器从第一帧视频之后的第二帧视频检测所述一个或多个跟踪目标；从第二帧视频提取特征；确定从第一帧视频提取的特征与从第二帧视频提取的特征之间的第一匹配度；基于所述分类器检测的所述一个或多个跟踪目标的结果和所述第一匹 配度，确定所述一个或多个跟踪目标在第二帧视频中的位置。

可选择地，分别从第一帧视频中的多个第一图像块提取特征；利用所述分类器判断第二帧视频中的与所述多个第一图像块对应的多个第二图像块中存在每个跟踪目标的概率；分别从第二帧视频中的与所述多个第一图像块对应的多个第二图像块提取特征；其中，对应的第一图像块和第二图像块的大小和位置相同；计算对应的第一图像块和第二图像块的特征之间的相似度作为第一匹配度；针对任意一个跟踪目标，计算每个第二图像块存在所述任意一个跟踪目标的概率与对应的第一匹配度的和，并确定所述和最大的第二图像块的位置作为所述任意一个跟踪目标在第二帧视频中的位置。

可选择地，提取用于训练分类器的样本的步骤包括：分别以检测的一个或多个跟踪目标在第一帧视频中的位置为中心，在小于第一半径的范围内提取正样本，在大于第一半径和小于第二半径的范围内提取负样本。

可选择地，所述多个第一图像块位于第一帧视频中分别以检测的各个跟踪目标在第一帧视频中的位置为中心，小于第三半径的范围内。