本发明专利技术涉及一种固定位监控图像中指定物品实时跟踪方法，针对原始分布场跟踪算法容易被静态相似物体干扰的问题，提出了结合运动区域检测的分布场跟踪算法，提高了在背景相似的复杂情况下分布场跟踪算法的准确性；而且为了避免在搜索过程中分布场跟踪算法陷入局部最优，加入了动态位置预测机制，利用目标上一帧运动位移信息和过去运动信息，通过递推运算估计目标位置，再对目标进行梯度搜索，有效地提高了跟踪算法的准确性和实时性；不仅如此，由于视频中景深的影响，目标大小会发生变化，固定跟踪框的大小将影响跟踪算法的准确率，对此，提出了结合背景像素点信息的跟踪框自适应调节方法，提高跟踪算法的准确性。
【技术实现步骤摘要】
本专利技术涉及用于，属于视频目标跟 踪
技术介绍
现如今，随着电商平台的兴起，各类物流仓储服务系统开发成为大势所趋。以网络 图书销售为例，当消费者在网上下单，仓库工作人员需要对顾客所选图书进行选取包装，不 同类的图书一般都会分放在不同的区域，仓库会根据订单为顾客配备物品周转箱用来摆放 图书，物品周转箱通过轨道在几万平方米的仓库中传递，进入不同的区域，去领取顾客选择 的图书。在整个运输过程中，如果物品周转箱丢失，会对公司造成不必要的损失。但是如果 几万平方米的仓库中，全部依靠人来监控，那将花费很大的人力和财力。 随着视觉跟踪技术的飞速发展，跟踪算法也取得重大的突破，如实时性较好的均 值漂移跟踪算法，在多目标跟踪方面表现优异的粒子滤波跟踪算以及能够很好处理遮挡问 题的Kalman跟踪算法等等，这些算法在一定领域都具有很好的优越性，但是由于场景的差 异性以及不确定性，至今还没有一个目标跟踪算法能够适用于所有的目标跟踪领域。 基于分类搜索的目标跟踪技术是当下目标跟踪算法领域的研究热点，它是将跟踪 问题看作一个分类问题来解决，利用目标和背景的不同信息，将跟踪目标从背景中提取出 来。Avidan将一系列弱分类器组合成一个强分类器来实现跟踪，取得很好的效果；Grabner 等人提出了用Online Boosting算法来更新判别特征，减少追踪过程中的漂移误差； Babenko运用多示例学习算法训练一个判别模型来进行跟踪；Kalal提出P-N学习算法，用 正负样本的潜在结构来训练样本。Zhang提出将高维的特征经压缩感知降维后训练分类器 的算法，该算法的优点在于复杂度低，跟踪效果较好。文献将基于稀疏表示的生成模型和辨 别分类器结合，有效处理目标变化和视频漂移等问题。通过深入研究这类方法，我们发现， 这类方法有很强的鲁棒性，但算法复杂度较高，很难满足实时系统的要求。
技术实现思路
本专利技术所要解决的技术问题是提供一种在保证跟踪算法实时性的情况下，针对工 业现场的特殊环境，提高跟踪算法的准确率的固定位监控图像中指定物品实时跟踪方法。 本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种固定位监控 图像中指定物品实时跟踪方法，用于针对固定角度监控视频图像中的指定物品进行实时跟 踪，包括如下步骤： 步骤001.获得固定角度监控在预设时长内所拍摄的各帧图像，通过统计平均法， 获得固定角度监控所拍摄图像所对应的初始背景图像像素矩阵Bg，进入步骤002 ; 步骤002.紧接步骤001各帧图像之后，依时序针对后续各帧图像，初始化t = 1，t表示固定角度监控所拍摄的第t帧图像；并初始化第t帧图像所对应的背景图像像 素矩阵Bgt为初始背景图像像素矩阵Bg ;同时，分别初始化第t帧图像中各个指定物品的 模型、各个指定物品的中心坐标(xK)，各个指定物品在第t+1帧图像中的预测位移向量 ，以及第t帧图像中所有指定物品所在图像区域的像素矩阵，即第t帧图像中初级 跟踪图像区域像素矩阵Irt，i表示第t帧图像中第i个指定物品，并进入步骤003 ; 步骤003.获得第t+Ι帧图像像素矩阵It+1，并根据第t帧图像所对应的背景图像 像素矩阵Bg t，采用帧差法获得第t+Ι帧图像所对应的背景图像像素矩阵Bgt+1;接着，获得 第t+Ι帧图像像素矩阵I t+1与第t+Ι帧图像所对应背景图像像素矩阵Bg t+1之间的差值像素 矩阵Mdxt+1，并进入步骤004 ; 步骤004.根据如下模型，获得第t+Ι帧图像中的初级跟踪图像区域像素矩阵 Irt+1，并进入步骤005 ; 其中，m为预设图像中前景图像像素矩阵的阈值； 步骤005.将第t+Ι帧图像中的初级跟踪图像区域像素矩阵Irt+1与第t帧图像中 的初级跟踪图像区域像素矩阵Ir t进行逻辑或运算，获得第t+Ι帧图像中的跟踪图像区域 像素矩阵Ict+1，并进入步骤006 ; 步骤006.针对各个指定物品，根据如下公式，分别获得第t+Ι帧图像中各个指定 物品的起始搜索坐标(Χ? +1,并进入步骤007 ; 步骤007.在第t+Ι帧图像中的跟踪图像区域像素矩阵Ict+1中，分别根据各个指定 物品的起始搜索坐标和各个指定物品的模型，采用L1距离范数算法，按照1^范 数梯度下降的方向进行搜索，通过最优值的获取，分别获得第t+Ι帧图像中各个指定物品 的中心坐标(λ· ; + 1，，. ).，并进入步骤008 ; 步骤008.根据第t+Ι帧图像中各个指定物品的中心坐标, .V )，分别更新 第t+Ι帧图像中各个指定物品的模型，并进入步骤009 ; 步骤009.针对第t+Ι帧图像中各个指定物品，通过如下公式，分别获得各个指定 物品在第t+2帧图像中的预测位移向量皿，并进入步骤010 ; 步骤010.用t+Ι的值更新t的取值，并返回步骤003。 作为本专利技术的一种优选技术方案：所述步骤002中，还包括分别初始化第t帧图像 中各个指定物品的跟踪框的长宽尺寸 所述步骤007之后、步骤008之前还包括如下步骤a-步骤b，步骤007执行完之 后进入步骤a，步骤b执彳丁完后进入步骤008 ; 步骤a.分别根据各个指定物品在第t+1帧图像中的中心坐标, ，以及 对应指定物品在第t帧图像中的跟踪框的长宽尺寸根据如下公式，分别获得第t+1 帧图像中各个指定物品所对应长宽尺寸跟踪框对应的背景图像像素点占比，并 进入步骤b; 其中，g+1表示第t+Ι帧图像中各个指定物品所对应长宽尺寸跟踪框对应 的背景图像像素点的数目，AC1表示第t+Ι帧图像中各个指定物品所对应长宽尺寸 跟踪框所对应的所有像素点的数目； 步骤b.根据如下公式，分别获得第t+Ι帧图像中各个指定物品的跟踪框的长宽尺 寸t4 Pr/uh并进入步骤008 ; 其中，gJPg2分别表示跟踪框中所对应背景图像像素点占比的上限阈值和下限阈 值，D为预设跟踪框长宽尺寸的缩放比例系数； 所述步骤008中，根据第t+Ι帧图像中各个指定物品的中心坐标)，以 及第t+1帧图像中各个指定物品的跟踪框的长宽尺寸分别更新第t+1帧图像中 各个指定物品的模型，并进入步骤009。 作为本专利技术的一种优选技术方案：所述步骤003中，获得第t+Ι帧图像像素矩阵 It+1，并根据第t帧图像所对应的背景图像像素矩阵Bgt，采用帧差法获得第t+Ι帧图像所对 应的背景图像像素矩阵Bg t+1，具体包括如下步骤： 步骤00301.获得第t+Ι帧图像像素矩阵It+1，以及获得相对于第t+Ι帧图像的前 第n+1帧图像的像素矩阵I t η，η为预设参数，且n ^ 0,并进入步骤00302 ; 步骤00302.根据如下公式，根据第t帧图像所对应的背景图像像素矩阵Bgt，获得 第t+Ι帧图像所对应的背景图像像素矩阵Bg t+1; 其中，T为预设帧差法阈值；λ为预设背景图像像素矩阵更新因子。 作为本专利技术的一种优选技术方案：所述各个像素矩阵均采用分布场模型进行表 不。 作为本专利技术的一种优选技术方案：所述各个像素矩阵均采用经过高斯平滑处理的 分布场模型进行当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种固定位监控图像中指定物品实时跟踪方法，用于针对固定角度监控视频图像中的指定物品进行实时跟踪；其特征在于，包括如下步骤：步骤001.获得固定角度监控在预设时长内所拍摄的各帧图像，通过统计平均法，获得固定角度监控所拍摄图像所对应的初始背景图像像素矩阵Bg，进入步骤002；步骤002.紧接步骤001各帧图像之后，依时序针对后续各帧图像，初始化t＝1，t表示固定角度监控所拍摄的第t帧图像；并初始化第t帧图像所对应的背景图像像素矩阵Bgt为初始背景图像像素矩阵Bg；同时，分别初始化第t帧图像中各个指定物品的模型、各个指定物品的中心坐标各个指定物品在第t+1帧图像中的预测位移向量以及第t帧图像中所有指定物品所在图像区域的像素矩阵，即第t帧图像中初级跟踪图像区域像素矩阵Irt，i表示第t帧图像中第i个指定物品，并进入步骤003；步骤003.获得第t+1帧图像像素矩阵It+1，并根据第t帧图像所对应的背景图像像素矩阵Bgt，采用帧差法获得第t+1帧图像所对应的背景图像像素矩阵Bgt+1；接着，获得第t+1帧图像像素矩阵It+1与第t+1帧图像所对应背景图像像素矩阵Bgt+1之间的差值像素矩阵Mdxt+1，并进入步骤004；步骤004.根据如下模型，获得第t+1帧图像中的初级跟踪图像区域像素矩阵Irt+1，并进入步骤005；Irt+1=It+1,Mdxt+1>m0,else]]>其中，m为预设图像中前景图像像素矩阵的阈值；步骤005.将第t+1帧图像中的初级跟踪图像区域像素矩阵Irt+1与第t帧图像中的初级跟踪图像区域像素矩阵Irt进行逻辑或运算，获得第t+1帧图像中的跟踪图像区域像素矩阵Ict+1，并进入步骤006；步骤006.针对各个指定物品，根据如下公式，分别获得第t+1帧图像中各个指定物品的起始搜索坐标并进入步骤007；(Xt+1i,Yt+1i)=(xti,yti)+motiont+1i]]>步骤007.在第t+1帧图像中的跟踪图像区域像素矩阵Ict+1中，分别根据各个指定物品的起始搜索坐标和各个指定物品的模型，采用L1距离范数算法，按照L1范数梯度下降的方向进行搜索，通过最优值的获取，分别获得第t+1帧图像中各个指定物品的中心坐标并进入步骤008；步骤008.根据第t+1帧图像中各个指定物品的中心坐标分别更新第t+1帧图像中各个指定物品的模型，并进入步骤009；步骤009.针对第t+1帧图像中各个指定物品，通过如下公式，分别获得各个指定物品在第t+2帧图像中的预测位移向量并进入步骤010；motiont+2i=12[motiont+1i+(xt+1i,yt+1i)-(xti,yti)]]]>步骤010.用t+1的值更新t的取值，并返回步骤003。...
【技术特征摘要】
【专利技术属性】
技术研发人员：李士进，朱海晨，王声特，练海晨，郝立，华聚良，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32
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。