[发明专利]一种基于样本学习和目标检测结合的目标跟踪方法和装置

说明书

本发明公开了一种基于样本学习和目标检测结合的目标跟踪方法和装置，读取视频序列，将视频序列中当前视频帧转化为灰度图像；采用Lucas‑Kanade光流法跟踪灰度图像中的目标；检测当前视频帧中目标，获取正确的样本区域中心集合；对正确的样本区域中心集合进行一致性检查，得到小于设定距离阈值的样本区域集合，并进行正负样本学习；计算正负样本学习得到的样本区域集合中每个样本区域与目标跟踪获得的跟踪结果的面积重叠百分比，并计算重叠百分比超过50％的样本区域所在中心的均值，得到跟踪结果。本发明以目标跟踪算法作为基础框架，引入HOG特征和SVM分类器，解决了行人跟踪中的诸多问题，达到更好的跟踪效果。

技术领域

本发明涉及视频图像处理技术领域，具体涉及一种基于样本学习和目标检测结合的适合对视频行人进行长时间稳定的目标跟踪方法和装置。

背景技术

行人跟踪作为视频图像处理的一个重要研究方向，对后期的人体运动信息提取、处理、理解，环境信息三维立体重建等，具有先导作用，也被用作行人识别的辅助方法，其用途广泛。目前比较成熟的行人跟踪算法从技术角度主要分为两类：第一类是传统的经典跟踪算法，包括基于点的跟踪、基于统计的跟踪、基于轮廓的跟踪等，这类方法所建立的数学模型相对简单，运用单纯的目标跟踪理论，技术已经比较成熟，实际应用已经非常广泛；第二类是综合跟踪算法，包括基于机器学习的跟踪算法和目标检测与跟踪综合算法等，这一类算法综合运用了机器学习、检测、识别等多种手段，已经不再是单纯的目标跟踪，在提高跟踪效果的同时，对运算速度较为敏感，算法复杂度方面也有待进一步改进。

目前，在国内外有众多机构都在进行行人跟踪方向的研究。Kalal等提出了多种视频跟踪算法，包括TLD方法、在线检测方法、错误目标自动检测方法和boosting方法；AlbertoBroggi在其主导的ARGO项目中采用了一种基于外形的行人跟踪方法，该算法首先根据人体左右对称的特点，收集目标行人在垂直方向上边缘对称、外貌和尺寸比例等特征，在图像中找到感兴趣的候选区域，然后提取出垂直边缘,选取具有较高对称性的区域。美国麻省理工大学的M.Oren与C.Papageorgiou合作创建了Haar小波模板，并将其引入到行人跟踪领域中。Haar小波模板比较适合用于表示结构较为简单的物体，效果较好而且速度快，目前已经被广泛应用于行人跟踪过程中。Haar小波模板行人跟踪算法依靠其优异的特性，成为了行人跟踪的经典算法之一。Navneet Dalal和Bill Triggs使用梯度方向直方图(HOG)来表示人体特征，通过在INRIAPerson数据集中的测试，该方法成功率高，在行人方面有着很强的鲁棒性，特别是在道路行人跟踪的应用场景中，效果非常好。伊利诺伊大学的Niebles.J.C等人，采用将AdaBoost分类器级联的方法进行人体的识别，并将该算法引入到了行人跟踪的领域，使得行人跟踪的效果有了进一步提高。中国科学院自动化所谭铁牛等人对人体运动进行了图像分析,该方法的思路是利用机器视觉技术在视频流中检测、跟踪、识别行人，然后对目标行人的动作、行为等进行理解和描述,该方法主要应用在监控领域和基于姿态的身份识别中。通过实验，该算法不仅在对行人的跟踪和识别方面具有良好的特性，而且，更难能可贵的是其算法的时间复杂度也比其他类似算法要低。但是，当行人停止运动时，该算法会失效。西安交通大学郑南宁等通过稀疏Gabor滤波器提取目标行人的特征,然后使用这些特征来对SVM分类器进行训练。这种方法时间复杂度较高，难以达到实时处理的要求。上海交通大学的田广等人提出了一种coarse-to-fine的行人跟踪方法,先用一个训练好的形体整体分类器在图像中搜索和判别是否有行人，产生候选区域后，再使用各人体部位的局部分类器进一步确定候选区域中的行人。结果显示该方法能够在较为复杂的背景环境中跟踪行人，但是该算法的模型比较难构建，而且求解也比较复杂。

综上所述，现有技术中对于行人停止运动时，如何进行行人的跟踪和识别，算法时间复杂度较高，难以达到实时处理，在较为复杂的背景环境中跟踪行人，难构建算法模型，求解比较复杂的问题，尚缺乏有效的解决方案

发明内容