【技术实现步骤摘要】
长时间跨度视频图像行人监测精准追踪方法
[0001]本申请涉及一种视频图像行人监测精准追踪方法,特别涉及一种长时间跨度视频图像行人监测精准追踪方法,属于视频行人监测追踪
技术介绍
[0002]行人目标检测与追踪是智能视频监控、智能交通的重要功能,它在计算机视觉领域有许多应用,如机器人技术,监测和自动化等。在通用的视频追踪中,行人追踪能完成在只有一个行人目标初始位置已知的条件下,估算行人目标在整个序列中轨迹的任务。现有技术的追踪方法是学习一个目标模型的外观,然后根据外观模型评估一种新的目标状态框架。
[0003]行人追踪可应用到很多场景中,如交通监控、人机交互、动作分析和视频监控等。行人追踪的问题主要是由于目标点的变化、遮挡、变形和快速运动产生的外观变化等而引起的。由于运动目标的大小发生变化,沿相机轴或目标外观发生变化等问题,准确的估算有较大难度。其他因素如遮挡、快速运动和照明的变化等也给精准追踪带来了难题。
[0004]智能的行人检测对于保护司机和行人远离交通事故非常重要,行人检测与追踪对行人计数性能有很大影响,它自动检测感兴趣的目标图像序列,并不断定位目标在随后的序列。目前,行人检测与追踪技术广泛应用于银行、交通、超市、仓库、社会综治等有高安全需求的位置合场景。近年来,虚拟现实技术的发展愈渐成熟,这要求计算机有获取人类各种动作和语音的能力,必须能够随时捕捉人类动作,并对这些动作进行精确的识别甚至理解。
[0005]行人检测广泛应用于智能化控制,智能交通驾驶辅助,先进人机交互等领域。 ...
【技术保护点】
【技术特征摘要】
1.长时间跨度视频图像行人监测精准追踪方法,其特征在于,一是将行人追踪视为一个结构化动态背景自适应目标检测问题,提出一个封闭形式的解决方案,使模型以原始形式快速更新,计算模型更新的步长;二是采用非线性内核,同时保持结构化动态背景自适应模型的线性性质,将非线性内核与显式特征图匹配;三是扩展追踪器与多尺度估算,通过大规模变化追踪提高性能;具体包括:长时间跨度行人监测精准追踪框架、尺度搜索变换、改进的HOG扩展特征提取方法、结构化动态背景自适应核函数设置、结构化动态背景自适应的最优化算法;第一,在行人检测方法上,采用改进的HOG扩展特征提取方法:对目标行人相对于视频画面大小的变化,采用尺度搜索变换目标追踪算法,解决目标放大缩小问题, 准确检测出目标位置及大小;第二,在行人追踪方法上,基于长时间跨度行人监测精准追踪框架,将动态学习检测模块替换为结构化动态背景自适应模型,对行人进行追踪,解决遮挡、消失问题,在线结构化动态自适应学习方法解决样本较少的高维度和非线性问题,根据上一帧的追踪结果实时获取数据来训练分类器,将结构化动态背景自适应追踪算法扩展到多尺度估算,解决漂移问题;第三,在行人特征提取方法上,改进HOG算法,采用HOG扩展特征进行目标特征提取,HOG扩展特征表征图像局部梯度方向和梯度强度分布特征,在边缘具体位置未知的情况下,边缘方向的分布也能很好的表示行人目标的外形轮廓,在出现目标物理上的几何变化和外部环境的光学变化时仍具有良好的不变性。2.根据权利要求1所述长时间跨度视频图像行人监测精准追踪方法,其特征在于,长时间跨度行人监测精准追踪框架:由行人追踪、动态学习、自适应检测三个模块组成,行人追踪模块估算连续帧序列之间目标的运动情况,同时针对追踪失败自适应检测,当视频中的行人消失或者出现遮挡时,就无法准确追踪目标,此时通知自适应检测器重检测,使得目标能够再次被跟踪;自适应检测模块由随机森林自适应检测器、方差检测器和最近邻检测器共同级联组成,实现对目标的精确检测,行人追踪和自适应检测过程都通过在线动态学习实时更新,相互校正和补充,应对行人出现的场景中的各种突发情况。3.根据权利要求2所述长时间跨度视频图像行人监测精准追踪方法,其特征在于,本申请提出结构化动态背景自适应追踪模型,设置实时调节追踪模块和自适应检测模块的机制,实时采用上一帧的追踪结果,迭代提取目标特征以更新追踪器,同时采用自适应检测产生的正样本数据和负样本数据实时评估检测器和追踪器的处理结果,并及时校正,避免错误在后面的追踪过程中不断累积。4.根据权利要求1所述长时间跨度视频图像行人监测精准追踪方法,其特征在于,尺度搜索变换:采用尺度搜索目标追踪滤波器,配合结构化动态背景自适应模型实现尺度搜索变换,尺度搜索目标追踪滤波器进行当前帧目标尺度的估算,获取上一帧图像中的目标框的中心位置,记作中心点,重新计算尺度,然后赋值到下一帧图像,完成尺度变化。5.根据权利要求1所述长时间跨度视频图像行人监测精准追踪方法,其特征在于,改进的HOG扩展特征提取方法:计算HOG扩展特征并从扩展的特征中选择有效的特征, 扩展HOG扩展特征的方法用f(u,v)表示坐标的像素强度(u,v):
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式1f
u
和f
v
表示u和v的组成图像梯度,坐标(u,v)的梯度大小m(u.v)和取向θ(u,v)计算如式2:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式2其中,一是单元大小C:包含图像像素信息,由左上的指定位置(x,y)和宽w和高h确定; 二是块大小R
pq
:一个块是一组单元构成的一个矩形,归一化的直方图在块中处理,降低负面的光照因素的影响,它的位置和大小是分别由(x',y')和(w',h')定义,几个大小的块独立使用,进行归一化,p与q分别为横向和纵向单元个数;三是区间数量l,格网数量B;通过格网数量B, 单元大小C, 块大小R
pq
,区间数量l,坐标(u,v)处单元大小,分别表示矩形块的大小和区间的索引,扩展HOG扩展特征计算式:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式4块的中心像素位于单元中心的像素,这些特征列举成一个特征向量x;本申请包括这些参数的所有扩展,从高维特征选择有效的结果锁定行人位置,实现了高精度行人自适应检测率。6.根据权利要求1所述长时间跨度视频图像行人监测精准追踪方法,其特征在于,结构化动态背景自适应核函数设置:在对图像进行前期处理后进行分析,并在目标周围提取若干个训练样本并标记其真实值,以此来初始化模型,然后采用样本进行训练,以获取最优分界面和所需的模型参数,当下一帧图像出现时,从上一帧的估算目标位置出发,在其附近一定范围内搜索得到若干个样本数据,用上一帧图像训练好的结构化动态背景自适应模型来对这些数据分类处理,最终的目标估算位置由分类结果为目标的数据样本的加权求和确定,确定出目标位置后,重复更新分类器,并更新其模型,如此不断循环,直至所有图像帧处理完,得到所有图像帧中的目标估算位置,实现在视频序列中的目标追踪任务;结构化动态背景自适应模型在线性可分的情形下寻找最优的分类面,保证结构化风险最小,但当数据出现不可分的情形时,运用核函数,使得数据在高维空间也能处理,分类器的训练样本不会独立出现,是以内积的形式成对出现,其数学描述为<x,y>,结构化动态背景自适应模型的判定函数为:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式5其中,预测函数f的输出构成序列(x,y),y为目标的变化值,L为目标函数,α为拉格朗日因子,w为法向量,b为约束临界值,g为判定系数,α(i=1,2,L,n)是以下二次优化问题的最优解:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式7C大于0是一个常数,平衡最大和最小边界的训练误差,对特征x进行非线性变换,将其映射至高维空间,假定高维空间的映射函数为z=Φ(x),则新特征在高维空间的决策函数变为:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式8而对应的二次优化问题为:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式9
ꢀꢀꢀꢀꢀꢀꢀ...
【专利技术属性】
技术研发人员:梁徽耀,傅万乐,傅小强,陈诚,
申请(专利权)人:龙港市添誉信息科技有限公司,
类型:发明
国别省市:
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。