[发明专利]一种基于特征关联的视频群体人物运动轨迹跟踪方法

说明书

本发明公开了一种基于特征关联的视频群体人物运动轨迹跟踪方法。该发明首先检测视频中出现的群体人物，获取群体人物的位置信息和特征掩码；接着检测新增人物，选定当前追踪人物，逐帧计算当前追踪人物与相邻视频帧中人物的关联相似度；最后结合关联相似度，确定当前追踪人物的帧间动态，更新当前追踪人物运动线索，并遍历视频序列完成视频群体人物的运动轨迹跟踪。本发明利用群体人物的运动特性，在帧间人物关联匹配过程中，综合考虑位置关系和动作形态的影响，能够有效提高群体人物运动轨迹跟踪的准确率，具有良好的实施性和鲁棒性。

技术领域

本发明涉及一种基于特征关联的视频群体人物运动轨迹跟踪方法方法，属于计算机视觉、模式识别等交叉技术领域。面对海量的视频数据，计算机视觉领域的相关研究人员开始探索如何自动化高效的抽取视频中群体人物的运动轨迹。视频群体人物运动轨迹跟踪具有巨大的应用前景和使用价值，在视频监控、体育分析、人机交互等领域有着广泛的应用。

背景技术

视频群体人物运动轨迹跟踪是计算机视觉领域中的一个重要研究课题，具有重要的理论意义与应用价值。

所谓群体人物运动是指多个个体人物间进行的具有集体特征的交互运动，这种群体交互运动通常表现出多元性。由于视频中包含人、物丰富的位置关系、动作形态等图像序列信息，有助于理解群体人物运动轨迹，基于视频的群体人物运动轨迹跟踪的研究逐渐成为热点。

目前对视频群体人物运动轨迹跟踪的研究，从算法核心的出发点和侧重点出发，可以将其分为基于模型和基于特征两类。基于模型的人物跟踪算法通过先验的群体人物运动模型，模拟群体人物运动轨迹的变化，再使用训练数据对模型参数进行训练，利用调整好的群体人物运动轨迹模型对场景中人物的轨迹动态做出判断。基于特征的人物跟踪算法从视频序列中得到视频帧的兴趣区域，对该视频帧的兴趣区域进行特征描述，将训练特征描述得到群体人物运动轨迹的跟踪结果。这两种方式各有利弊，基于模型的人物跟踪算法性能依赖于先验模型的设计，基于特征的人物跟踪算法需要根据提取的特征尺度的不同对后续的算法处理进行优化调整。

目前为止，对于视频中群体人物运动轨迹跟踪的方法与系统，还需要进行大量的研究工作。

发明内容

发明目的：发明所要解决的技术问题是帧间人物匹配精度不足，传统的人物匹配采用单一的位置信息作为匹配原则，但是在群体人物场景中，存在大量集体性的行为交互，单纯地使用位置信息追踪人物轨迹极易造成追踪错误，本发明采用掩码位置特征作为匹配原则关联视频序列内人物的动态，掩码位置特征结合位置信息和动作形态，相较于单一的位置信息具有更强的鲁棒性，能够适用群体人物场景的需求，提高视频群体人物运动轨迹跟踪的准确性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于特征关联的视频群体人物运动轨迹跟踪方法，包括以下步骤：

步骤1)输入1个视频，设置标准视频帧尺寸为H×W，若视频帧尺寸与标准视频帧尺寸不一致，使用双线性内差值算法将视频帧缩放到标准视频帧尺寸大小，所述视频是用户输入的视频，H表示视频帧高度，W表示视频帧宽度，双线性内差值算法是一种常见的图像处理算法；

步骤2)使用Mask-RCNN网络对每一帧视频帧进行人物检测，获得第t帧视频帧检测到的人物集合为第t帧视频帧第i个人物的位置信息为特征掩码为设置第t帧视频帧第i个人物的匹配状态参数match＝0、标记状态参数mark＝0，所述Mask-RCNN网络是一种有效的人物检测算法，i是第t帧视频帧的人物编号，按照位置信息递增排序，n_t是第t帧视频帧检测到的人物数量，匹配状态参数match∈{0,1}；