本发明专利技术公开了一种基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法，包括：获取视频帧及相应的灰度图像；采用非参数背景建模法对获取的灰度图像进行运动前景分割，得到视频帧的二值MASK图；采用实时的线性标记算法对视频帧的二值MASK图进行联通域处理，得到运动目标联通域；分别采用卡尔曼滤波器和基于滑动窗口的检测方法对运动目标联通域进行跟踪与检测，从而得到运动目标的跟踪序列与检测序列；将运动目标的跟踪序列与检测序列进行融合，得出最终的目标队列。本发明专利技术采用了跟踪与检测的融合技术，效率更高；运算简单，在满足实时性要求的同时也提高了跟踪检测结果的准确性。本发明专利技术可广泛应用于视频监控领域。
【技术实现步骤摘要】
本专利技术设及视频监控领域，尤其是一种基于卡尔曼滤波与非参数背景模型的多目 柄检测跟踪方法。
技术介绍
如何构建一个安全和谐的社会治安环境，从而有效保护国家与人民的生命与财产 安全，是摆在各国政府面前的一个艰难而又亟待解决的重要课题。为此，各国都在安防系统 等基础建设上投入了大量的人力和物力，其中各国又W视频监控设施的部署为其重点建设 的对象。视频监控系统是安防系统的重要组成部分，其先通过前端视频采集设备（如摄像 头）获取实时的视频帖，然后通过人工浏览或智能视频分析等技术对监控场景进行实时监 控，是一种防范能力较强的综合系统。视频监控技术自20世纪80年代在我国兴起后，先后 经历了模拟视频近距离监控、模拟视频远距离联网监控和数字网络视频监控等不同的发展 阶段。 随着视频监控行业的迅速发展，在各个国家、地区每年新部署的监控摄像头W几 何级数在增长，该就为如何有效利用该些基础设施带来了挑战。在该种情况下，采用传统的 人工浏览实时视频已经不再可行，主要原因如下；a)人所能承受的工作强度是有限的，无 法长时间且目不转睛盯着监控屏幕，该样就容易出现异常事件漏报现象；b)视频图像采集 设备（如摄像头）与视频显示设备数量完全不对等，例如，在一个小区里可能会部署有几百 个摄像头，但是在其监控室内可能只会部署4X4、3X3或者更少的显示设备，因此监控者 就无法对所有摄像头采集的视频进行同时浏览，而一定要采取轮询策略来浏览，该样又会 造成异常事件的漏报。 智能视频分析技术可有效解决W上问题，智能视频分析技术产生的背景有两个： 其一为安防应用的相应，防止值班人员在面对成百上千的摄像机时，无法真正在风险产生 时预防或干预而大多数需靠事后回放相关视频的现象出现；其二为非安防应用，如商业上 的人流统计和防止化窃等。智能视频分析技术的理念是将风险的分析和识别工作转交给计 算机或者巧片，使值班人员从"死盯"监视器的工作中解脱出来，当计算机发现问题时候，产 生报警信号，此时值班人员及时进行响应即可。智能视频分析技术的主要优势有；a)拥有 快速的反应时间，其报警触发反应时间可W达到毫秒级；b)更有效的监视效果，使操作员 只需要注意相关信息；C)强大的数据检索和分析功能，大大减少了反应时间和调查时间。 多目标跟踪系统，作为视频分析技术的核屯、部分，是通过计算机视觉、机器学习、 图像处理等技术对视频中的多个运动目标进行可靠稳定跟踪的。目前的目标跟踪技术主要 存在W下不足： (1)大多是面向半自动的单目标跟踪系统，还需要人工的参与，效率较低且无法满 足多个目标的跟踪要求； 似即使目前已有小部分多目标跟踪系统，但该些系统运算复杂度过高，较难满足 视频监控的实时性要求且难W保证跟踪结果的准确性。
技术实现思路
[000引为了解决上述技术问题，本专利技术的目的是；提供一种效率高、实时和准确的，基于 卡尔曼滤波与非参数背景模型的多目标检测跟踪方法。 本专利技术解决其技术问题所采用的技术方案是： ，包括： A、获取视频帖及相应的灰度图像； B、采用非参数背景建模法对获取的灰度图像进行运动前景分割，得到视频帖的二 值MASK图； C、采用实时的线性标记算法对视频帖的二值MASK图进行联通域处理，得到运动 目标联通域； D、分别采用卡尔曼滤波器和基于滑动窗口的检测方法对运动目标联通域进行跟 踪与检测，从而得到运动目标的跟踪序列与检测序列； E、将运动目标的跟踪序列与检测序列进行融合，得出最终的目标队列。 进一步，所述步骤A，其包括： A1、从前端摄像头获取视频帖；[001引 A2、将视频帖图像转化为CIF格式的图像； A3、将CIF格式的图像转换灰度图像。 进一步，所述步骤B，其包括： B1、对获取的灰度图像中的每个像素点进行非参数背景建模，得到非参数背景模 型，所述非参数背景模型为： B(Xi) = {Bi(Xi),......，BK(Xi),......, (x；)}, 其中，B(Xi)表示第i个像素点的背景模型，而N表示第i个像素点背景模型的样 本数； B2、根据非参数背景模型采用进行运动前景分割，得到视频帖的二值MASK图，所 述前景分割算法采用的分割公式为：F(Xi)=l#{dist(I(Xi),Bk(Xi)) <R(Xi)}<min， 其中，F(Xi)为1表示第i个像素点是前景点，#表示个数，R(Xi)为每个像素点与 其背景模型中样本点的距离的阔值，min为预先设定的前景点距离阔值，I(Xi)为灰度图像 中的像素点，distO函数用于计算两点间的距离。 进一步，所述步骤C，其具体为： 对前景分割后的二值MASK图按照自上到下，从左到右的顺序进行扫描，如果遇到 未被标定的白点，则为该白点赋予一个唯一标签，然后将与该白点在同一联通域轮廓上的 所有点都赋予该唯一标签，并W该轮廓作为一个新联通域的外轮廓；若像素点正下方的点 为未标记点，则此时分两种情况；a)若该点是未标定点，则该点一定是某一内轮廓的起始 点；b)若该点已被标记，则该点是某一联通域外轮廓上的点；其他情况下，像素点的左边点 一定是已经标记过的点，此时将该点设为与其左边点相同的标签。 进一步，所述步骤D，其包括： 采用卡尔曼滤波器对运动目标联通域进行跟踪，从而得到运动目标的跟踪序列； 采用基于滑动窗口的检测方法对运动目标联通域进行检测，从而得到运动目标的 检测序列。 进一步，所述采用卡尔曼滤波器对运动目标联通域进行跟踪，从而得到运动目标 的跟踪序列该一步骤，其包括： D11、根据当前的状态，预测运动目标联通域运动目标在下一帖视频中的具体位 置； D12、根据线性标定后的结果，对上一帖中的卡尔曼预测结果进行修正。 进一步，所述步骤D11，其包括： Dill、根据运动目标联通域中物体在前一帖的状态矢量预测下一帖中物体的状态 矢量，所述下一帖中物体的状态矢量Xk的计算公式为： Xk=Axk-1+BUk-i，[003引其中，A为目标的状态控制矩阵，B为输入变量的控制矩阵，Xk_i为物体在前一帖的 状态矢量，Uk_i为物体的估计速度矢量； D112、预测下一帖中物体的误差协方差，所述下一帖中物体的误差协方差Pi；的计 算公式为： Pk_=APk-iAT+Q， 其中，T表示转置，Q为输入变量错误协方差矩阵，Q的初始值为二维0矩阵，Pk_i为 增益矩阵，Pk_i的初始值为二维0矩阵。 进一步，所述步骤D12,其包括： D121、计算卡尔曼滤波器的增益，所述卡尔曼滤波器的增益Kk的计算公式为： Kk=Pk-HT(HPk-HT+R)-i， 其中，H为将输入状态与控制状态相关联的二维矩阵，取值为二维单位矩阵，R为 控制变量协方差矩阵，R的初始值为二维0矩阵； D122、根据线性标记结果对状态矢量进行更新，所述状态矢量更新的方程为： 其中，4为更新后下一帖中物体的状态矢量，"V为前一帖中的估计状态矢量，Zk 为观测变量当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法，其特征在于：包括：A、获取视频帧及相应的灰度图像；B、采用非参数背景建模法对获取的灰度图像进行运动前景分割，得到视频帧的二值MASK图；C、采用实时的线性标记算法对视频帧的二值MASK图进行联通域处理，得到运动目标联通域；D、分别采用卡尔曼滤波器和基于滑动窗口的检测方法对运动目标联通域进行跟踪与检测，从而得到运动目标的跟踪序列与检测序列；E、将运动目标的跟踪序列与检测序列进行融合，得出最终的目标队列。
【技术特征摘要】
【专利技术属性】
技术研发人员：孙凯，贺振中，黄嘉华，
申请(专利权)人：深圳市赛为智能股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。