一种监控系统的视频跟踪方法技术方案

一种监控系统的视频跟踪方法。系统包含：监控摄像机、IP网络、交换机和客户端组成。通过选定图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块；由跟踪模块进行目标跟踪得到新的目标框位置；由检测模块进行目标检测，通过将待检测窗口依次通过方差分类器，集合分类器和最近邻分类器，判断该检测窗口是否含有所求的目标；再通过综合模块得到最终的目标位置与大小，实现目标跟踪结果。如果目标丢失，则通过检测器重新初始化相关滤波跟踪模块，使得暂时丢失的目标被重新找回，进行新一轮的跟踪与检测，继续完成跟踪任务，实现监控场景下的长时稳定跟踪。

【技术实现步骤摘要】
一种监控系统的视频跟踪方法
本专利技术涉及视频监控领域，有关图像处理与分析技术，特别是针对视频监控场景下的目标自动跟踪方法。
技术介绍
随着信息时代的发展，人们的安防意识逐渐提高，安防问题越来越受到社会各界的关注。视频监控是安防的基础，监控场景中的智能跟踪技术越来越受到人们的青睐。传统的视频监控需要人工进行观察，容易出现监控漏洞，而且视角固定，监控效率低。近年来发展的枪球联动系统，以其同时兼顾看全与看清楚的优点，在视频监控领域有着越来越广泛的应用。通过枪机的广视角对全局进行监控，同时控制球机云台转动进行目标的实时高清的跟踪，看局部细节。但是由于目标外观变形，光照变化，运动模糊，背景相似干扰，尺度变化以及目标完全遮挡等问题的存在，会不同程度地影响目标跟踪的准确性，给目标跟踪带来了极大的挑战。目前在目标跟踪技术上，主要有两种方法：生成式方法和判别式方法。生成式方法主要是对当前帧的目标区域进行建模，下一帧寻找与模型最相似的区域就是预测目标位置，例如：kalmanfilter，meanshift。判别式方法主要以当前帧的目标区域为正样本，背景区域为负样本，通过机器学习训练分类器，下一帧用训练好的分类器寻找类似目标区域的最优区域，例如：struck。近年来，“相关滤波”方法与基于深度学习的目标跟踪方法逐渐成为了主流的跟踪方法。其中，由于“相关滤波”方法将岭回归的封闭解变换到傅立叶域，并结合了循环矩阵的特性对样本集进行化简，在保持了较高跟踪速度的同时有着良好的跟踪准确度，以其优越的综合表现成为目标跟踪方法中的重要分支。虽然目前在枪球联动的产品中，目标跟踪技术已经越来越成熟，但在实际的视频监控场景下，某些场景中跟踪的目标会被暂时遮挡，从而导致跟踪失败。因此，即使是性能较好的“相关滤波”方法和基于深度学习的跟踪方法，在实际的视频监控场景下仍然会出现目标暂时丢失的情况。
技术实现思路
本专利技术的目的就是提供一种能够在由于目标被完全遮挡导致目标暂时丢失的情况下，能够重新找回丢失的目标，继续完成跟踪任务的方法。本专利技术的原理是以“相关滤波”跟踪方法为基础，建立含跟踪模块，检测模块，综合模块和学习模块的智能跟踪系统；在对当前帧初始化跟踪目标的同时初始化检测器，检测器遍历图像生成正负样本集，用于训练分类器；在后续帧中同时进行跟踪和检测，并通过综合模块对跟踪和检测的结果进行综合分析，得到最优的跟踪目标位置；学习模块在整个过程中不断调整正负样本集，优化检测器；当目标由于被遮挡导致目标丢失时，通过判断跟踪置信度是否小于阈值来重新启用检测器，找回丢失的目标。技术方案如下：系统包含：监控摄像机、IP网络、交换机和客户端组成。步骤1：开始目标跟踪任务时，由系统读入视频帧，选定第一帧图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块并进行跟踪模块和检测模块初始化。步骤2：跟踪模块初始化，跟踪模块基于“相关滤波”方法设计；“相关滤波”是判别式跟踪方法中的一种，本质是一个利用循环矩阵的特性将岭回归的求解问题变换到傅里叶域，同时利用循环位移近似样本密集采样，加速岭回归求解的过程。跟踪模块初始化主要对给定的跟踪目标框提取HOG特征和Lab颜色特征，通过高斯函数得到目标响应标签图，并求得权重系数矩阵。步骤3：检测模块初始化：检测模块包含方差分类器，集合分类器和最近邻分类器。检测模块初始化主要通过构建不同尺度的目标框遍历第一帧图像，得到目标样本数据集，并将遍历得到的目标框与给定的跟踪目标框进行重叠度比对，将目标样本数据集分为正样本和负样本。同时，将正负样本数据集分别拆分为训练集和测试集，用于训练集合分类器和最近邻分类器并调整分类器阈值。步骤4：完成检测模块与跟踪模块初始化工作后，读取下一帧视频流，获得新图像后同时进行目标跟踪与目标检测。步骤5：跟踪模块进行目标跟踪：利用得到的权重系数矩阵对目标框附近进行相似度匹配，得到目标响应图，响应最大的位置就是目标新的位置。同时为了适应目标尺度的变化，在新的目标框位置上分别调整目标框尺度变化，以求取随目标框大小变化的目标匹配响应图最大值，如果新得到的最大响应值比原始尺度得到的响应值大，则将该尺度对应的目标框作为新的跟踪结果输出；同时将该最大响应值列为新的跟踪置信度数值，将该新的跟踪置信度数值作为当前跟踪目标准确性的评价新标准。步骤6：检测模块进行目标检测：通过将遍历图像得到的待检测窗口依次通过方差分类器，集合分类器和最近邻分类器；其中，通过计算积分图，得到每个待检测窗口的方差，方差大于设定阈值则认为该检测窗包含目标，该检测窗口通过方差分类器进入集合分类器；集合分类器有N棵树，每棵树有M个二进制判断节点，形成M位二进制编码，每个编码对应一个后验概率；每个待检测窗口进入集合分类器后形成对应的后验概率，如果后验概率大于设定的阈值则该检测窗口通过集合分类器进入最近邻分类器；通过计算每个进入最近邻分类器的待检测窗口与在线模型的相似度，相似度大于设定的阈值则判断该检测窗口含有所求的目标。步骤7：完成目标跟踪与目标检测后，将目标跟踪的结果与目标检测的结果送入综合模块进行综合。步骤8：综合模块负责综合跟踪与检测的结果；跟踪模块得到的目标框是通过跟踪算法跟踪得到的，检测模块得到的目标框是通过分类器检测得到的，这是两个不相关的信息。综合模块通过聚类计算检测框与跟踪框的相似度，对检测框进行筛选输出相似度最大的检测目标框，并与跟踪模块得到的目标框进行综合得到最终的目标位置与大小。步骤9：同时，判断跟踪模块的跟踪置信度是否大于给定的阈值，是则将目标位置进行输出显示；否则判断跟踪目标已丢失，通过检测模块检测到的目标框重新初始化跟踪模块，重新由步骤2开始继续；步骤10：接着，判断是否满足模型更新条件，是则启用学习模块进行模型学习，否则直接读取下一帧图像，开启新一轮的跟踪与检测。步骤11：学习模块重新进行模型学习；学习模块通过当前计算得到的目标位置信息重新遍历图像，更新正负样本数据集。学习模块采用的是P-N学习算法，对错误的分类进行重新纠正，改善检测模块的性能。其中，P-experts检查那些被检测模块错误分类为正样本的数据，N-experts检查哪些被检测模块错误分类为负样本的数据。步骤12：最后判断是否停止跟踪，是则结束并退出，否则更新并保存数据集，读取下一帧图像，开启新一轮的跟踪与检测。本专利技术提出了一种集成了跟踪模块，检测模块，综合模块与学习模块的视频跟踪方法。采用该方法后，即使目标被完全遮挡导致跟踪目标暂时丢失，在后续视频帧中如果目标再次出现，本专利技术专利能够利用检测器模块对目标进行检测，重新找回原本丢失的目标，继续完成跟踪任务；通过检测器重新初始化相关滤波跟踪模块，实现监控场景下的长时稳定跟踪。附图说明图1是本专利技术系统的连接关系拓扑示意图；图2是本专利技术系统的信息判断流程示意图；图3-1是原有监控系统下正常跟踪行人示意图；图3-2是原有监控系统下行人被完全遮挡示意图；图3-3是原有监控系统下行人被遮挡导致跟踪失败示意图；图4-1是本专利技术监控系统下正常跟踪行人示意图；图4-2是本专利技术监控系统下行人被完全遮挡示意图；图4-3是本专利技术监控系统下行人被遮挡后重新找回并继续跟踪示意图；图5-1是跟踪目标被正确跟踪时的目标响应图；图5本文档来自技高网...

【技术保护点】
1.一种监控系统的视频跟踪方法，其特征在于：步骤1：系统读入视频帧，选定第一帧图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块；步骤2：跟踪模块初始化；对给定的跟踪目标框提取特征，通过高斯函数得到目标响应标签图，并求权重系数；步骤3：检测模块初始化：通过构建不同尺度的目标框遍历第一帧图像，得到目标样本数据集，并将遍历得到的目标框与给定的跟踪目标框进行重叠度比对，将目标样本数据集分为正样本和负样本；将正负样本数据集分别拆分为训练集和测试集，用于训练集合分类器和最近邻分类器并调整分类器阈值；步骤4：完成检测模块与跟踪模块初始化工作后，读取下一帧视频流，获得新图像，进行目标跟踪与目标检测；步骤5：跟踪模块进行目标跟踪：利用得到的权重矩阵进行相似度匹配，得到目标响应图；计算目标响应图的最大响应值，并将该最大响应值列为新的跟踪置信度数值，将该新的跟踪置信度数值作为当前跟踪目标准确性的评价新标准；步骤6：检测模块进行目标检测：通过将遍历图像得到的待检测窗口依次通过方差分类器，集合分类器和最近邻分类器；其中，通过计算积分图，得到每个待检测窗口的方差，方差大于设定阈值则认为该检测窗包含目标，将该检测窗口通过方差分类器进入集合分类器；集合分类器有N棵树，每棵树有M个二进制判断节点，形成M位二进制编码，每个编码对应一个后验概率；每个待检测窗口进入集合分类器后形成对应的后验概率，如果后验概率大于设定的阈值则该检测窗口通过集合分类器进入最近邻分类器；计算每个进入最近邻分类器的待检测窗口与在线模型的相似度，相似度大于设定的阈值则判断该检测窗口含有所求的目标；步骤7：完成目标跟踪与目标检测后，将目标跟踪的结果与目标检测的结果送入综合模块进行综合；步骤8：综合模块负责综合跟踪与检测的结果；综合模块通过聚类计算检测框与跟踪框的相似度，对检测框进行筛选输出相似度最大的检测目标框，并与跟踪模块得到的目标框进行综合得到最终的目标位置与大小；步骤9：同时，判断跟踪模块的跟踪置信度是否大于给定的阈值，是则将目标位置输出并显示；否则判断跟踪目标已丢失，通过检测模块检测到目标框重新初始化跟踪模块，重新由步骤2开始继续新一轮的跟踪与检测；步骤10：判断目标是否满足模型更新条件，是则启用学习模块进行模型学习，否则直接读取下一帧图像，开启新一轮的跟踪与检测；步骤11：学习模块重新进行模型学习；学习模块通过当前计算得到的目标位置信息重新遍历图像，更新正负样本数据集；步骤12：判断是否停止跟踪，是则结束并退出，否则更新并保存数据集，读取下一帧图像，开启新一轮的跟踪与检测。...

【技术特征摘要】
1.一种监控系统的视频跟踪方法，其特征在于：步骤1：系统读入视频帧，选定第一帧图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块；步骤2：跟踪模块初始化；对给定的跟踪目标框提取特征，通过高斯函数得到目标响应标签图，并求权重系数；步骤3：检测模块初始化：通过构建不同尺度的目标框遍历第一帧图像，得到目标样本数据集，并将遍历得到的目标框与给定的跟踪目标框进行重叠度比对，将目标样本数据集分为正样本和负样本；将正负样本数据集分别拆分为训练集和测试集，用于训练集合分类器和最近邻分类器并调整分类器阈值；步骤4：完成检测模块与跟踪模块初始化工作后，读取下一帧视频流，获得新图像，进行目标跟踪与目标检测；步骤5：跟踪模块进行目标跟踪：利用得到的权重矩阵进行相似度匹配，得到目标响应图；计算目标响应图的最大响应值，并将该最大响应值列为新的跟踪置信度数值，将该新的跟踪置信度数值作为当前跟踪目标准确性的评价新标准；步骤6：检测模块进行目标检测：通过将遍历图像得到的待检测窗口依次通过方差分类器，集合分类器和最近邻分类器；其中，通过计算积分图，得到每个待检测窗口的方差，方差大于设定阈值则认为该检测窗包含目标，将该检测窗口通过方差分类器进入集合分类器；集合分类器有N棵树，每棵树有M个二进制判断节点，形成M位二进制编码，每个编码对应一个后验概率；每个待检测窗口进入集合分类器后形成对应的后验概率，如果后验概率大于设定的阈值则该检测窗口通过集合分类器进入最近邻分类器；计算每个进入最近邻分...

【专利技术属性】
技术研发人员：刘晓程，苏松志，蔡国榕，黄隆，苏松剑，江文涛，陈延艺，陈延行，
申请(专利权)人：罗普特厦门科技集团有限公司，
类型：发明
国别省市：福建,35