一种基于动态贝叶斯模型网络的对象跟踪方法和设备技术

本发明专利技术公开了一种基于动态贝叶斯网络的对象跟踪方法，该方法包括：对输入的图像帧进行预处理，对图像帧进行对象检测或者前景检测，得到对象检测结果，根据对象检测结果，针对需要跟踪的新对象初始化对象跟踪器，并将其添加到对象跟踪器序列中；根据对象跟踪序列中每个对象的位置提取其在当前帧的各种状态的多种表观特征，将对象关联的检测结果和各种状态的多种表观特征加入到动态贝叶斯网络中进行分析处理，最终推理出每个对象在当前帧的最优位置并更新对象跟踪序列。本发明专利技术通过引入适合对象跟踪的动态贝叶斯网络，有效的克服了对象之前相互遮挡对跟踪性能的影响，提高了对象跟踪的召回率和跟踪精度。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于动态贝叶斯网络的对象跟踪方法，该方法包括：对输入的图像帧进行预处理，对图像帧进行对象检测或者前景检测，得到对象检测结果，根据对象检测结果，针对需要跟踪的新对象初始化对象跟踪器，并将其添加到对象跟踪器序列中；根据对象跟踪序列中每个对象的位置提取其在当前帧的各种状态的多种表观特征，将对象关联的检测结果和各种状态的多种表观特征加入到动态贝叶斯网络中进行分析处理，最终推理出每个对象在当前帧的最优位置并更新对象跟踪序列。本专利技术通过引入适合对象跟踪的动态贝叶斯网络，有效的克服了对象之前相互遮挡对跟踪性能的影响，提高了对象跟踪的召回率和跟踪精度。【专利说明】ー种基于动态贝叶斯模型网络的対象跟踪方法和设备
本专利技术涉及监控视频和智能交通领域中的对象跟踪方法和设备，特别是ー种基于视频的对象跟踪方法和设备。
技术介绍
在视频和监控领域中，基于对象检测的对象跟踪方法，可以依据对象检测结果的性能，更好的排除使用前景跟踪带来的背景噪声。但是，由于监控视频中的对象经常发生严重的相互遮挡，而对象检测结果在该种现象中往往检测性能会大幅度下降，故此，对象跟踪方法不能仅仅依靠对象的检测結果。现有的基于机器学习的使用特征分类器的对象跟踪方法，都在研究如何使用特征来提高分类器的可信度，但是往往在跟踪过程中，由于更新方式的选择过于简单，使得大量的背景变成正样本加入到分类器中，并且由于不能保留对象的各种状态信息，因而导致跟踪性能相对较差。CN101923716A号中国专利技术专利申请“ー种改善粒子滤波跟踪效果的方法”提出了ー种利用基于颜色直方图的粒子滤波器跟踪方法。该方法在于对采样的新粒子进行概率重新分布，然后使用顔色直方图来计算粒子的权重，最后再对粒子的稳定性进行比较以输出跟踪結果。该方法对于对象跟踪过于简单，而且只应用了顔色直方图这ー个特征，无法到达在真实的监控视频场景下的对象跟踪。CN102065275A号中国专利技术专利申请“智能监控系统中多目标跟踪方法”中提出了可以在真实监控场景下进行多目标跟踪的方法。该方法通过对通过对象检测后，将提取传统的颜色特征和基于对比度特征进行融合，用于目标匹配，并为之建立多世代跟踪队列，在采用生命质量竞争机制来达到最优的跟踪結果。但是，该方法仅仅是将两种简单的特征进行融合，不能够真正的代表跟踪队列的生命质量，也不能处理密集监控场景下，对象遮挡严重导致表观特征突变的情形。外文文献“Online Mult1-Person Tracking-by-Detection from aSingle, Uncalibrated Camera”中提出了ー种利用检测结果置信度和跟踪分类器融合来进行监控场景下对象跟踪的方法。该方法提出了利用对象检测结果提供的可信赖程度，并融合每个对象跟踪器的一个多特征分类器，通过粒子滤波器进行预测，从而找到对象在每ー帧最理想的位置。由于该方法过分依赖于对象检测結果，而针对对象的分类器只采用了一种实时的更新方式，当对象遮挡严重时，会产生跟踪位置漂移以及对象跟踪位置互換等情况，不适于真正密集的监控视频场景。本领域中目前尚无能够解决上述各种方法所存在的问题的技术方案，因此如何实现在真实监控视频场景下的对象跟踪并提高检测性能，成为本领域亟需解决的技术问题。贝叶斯网络又称信度网络，是不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后，已经成为近几年来研究的热点.。一个贝叶斯网络是ー个有向无环图(Directed Acyclic Graph, DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的互相关系(由父节点指向其子节点)，用条件概率进行表达关系強度，没有父节点的用先验概率进行信息表达。节点变量可以是任何问题的抽象，如:测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。动态贝叶斯网络理论是贝叶斯网络理论的延拓，内容涉及推理和学习两大方面，该理论在人工智能、机器学习、自动控制领域得到越来越广泛的应用。
技术实现思路
本专利技术的目的在于提供一种基于动态贝叶斯网络的的对象跟踪方法。基于本专利技术，可以很好的将对象检测结果以及对象跟踪器在各种状态下的多个表观特征融合到ー个动态贝叶斯网络中，利用其推理机制，即使在对象重度遮挡的情况下，也能正确跟踪到每个对象的位置，适用于监控场景下的对象跟踪。根据本专利技术的上述专利技术目的之一，一种基于动态贝叶斯网络的的对象跟踪方法，包括步骤:预处理步骤，对输入的图像视频帧进行预处理，包括需要提取各种对象表观特征的预处理以及对视频帧进行对象检测或前景检测；初始化步骤，根据当前视频帧的对象检测或前景检测结果，对新的对象跟踪器进行初始化，并加入到对象跟踪器序列中；特征提取步骤，对对象跟踪器提取其各种状态的各种表观特征；建模步骤，将对象跟踪器序列和对象检测结果关联，根据对象跟踪器序列中每个对象跟踪器的状态及特征以及它的检测关联结果，建立动态贝叶斯网络模型；更新步骤，利用动态贝叶斯网络，融合每个对象跟踪器状态和特征，找出对象在当前帧最优的位置信息，并对对象跟踪器序列进行更新。根据本专利技术进ー步的专利技术目的，其特征在于根据需要提取的对象各种表观特征(顔色、纹理和Haar等)，对图像进行相应的预处理。根据本专利技术进ー步的专利技术目的，其特征在于对每次输入的图像帧利用对象检测算法进行对象检测或者是前景检测，得到ー组对象检测結果。根据本专利技术进ー步的专利技术目的，其特征在于利用的对象检测结果，找到对新的需要跟踪的对象，然后根据其所在的位置以及表观特征进行跟踪器初始化，并加入到对象跟踪器序列中。根据本专利技术进ー步的专利技术目的，其特征在于根据对每个对象的位置、大小及其表观信息，提取多种表观特征(顔色、纹理和Haar等)，并尽可能的保留下每个对象的多个状态信息，包括初始状态，当前状态，跟其他对象特征最大区别状态。根据本专利技术进ー步的专利技术目的，其特征在于根据对每个对象跟踪器和每个对象检测结果的位置、大小及其表观信息进行相似性关联，得到ー个关联矩阵，然后对这个关联矩阵使用匈牙利算法，找出每个对象跟踪器所关联的对象检测結果，并将这个检测结果作为对象当前帧的帧内信息加入到整体的动态贝叶斯模型中。根据本专利技术进ー步的专利技术目的，其特征在于利用提取的对象跟踪器的各种状态的表观信息作为对象当前帧的帧间信息加入到整体的动态贝叶斯模型中。根据本专利技术进ー步的专利技术目的，其特征在于根据所得的动态贝叶斯网络，推导出每个对象跟踪器在动态贝叶斯网中的最优值，即可以找到对象在当前帧的最优位置。然后根据得到的信息更新当前的对象跟踪器序列，删除已经离开场景的对象，并输出，每个对象当前帧的位置信息。根据本专利技术的另ー专利技术目的，基于动态贝叶斯网络的对象跟踪设备，包括下列装置:预处理装置，对输入的图像视频帧进行预处理，包括需要提取各种对象表观特征的预处理以及对视频帧进行对象检测或前景检测；初始化装置，根据当前视频帧的对象检测或前景检测结果，对新的对象跟踪器进行初始化，并加入到对象跟踪器序列中；特征提取装置，对对象跟踪器提取其各种状态的各种表观特征；建模装置，根据本文档来自技高网...

【技术保护点】
一种基于动态贝叶斯模型网络的对象跟踪方法，包括步骤：预处理步骤，对输入的图像视频帧进行预处理，包括需要提取各种对象表观特征的预处理以及对视频帧进行对象检测或前景检测；初始化步骤，根据当前视频帧的对象检测或前景检测结果，对新的对象跟踪器进行初始化，并加入到对象跟踪器序列中；特征提取步骤，对对象跟踪器提取其各种状态的各种表观特征；建模步骤，将对象跟踪器序列和对象检测结果关联，根据对象跟踪器序列中每个对象跟踪器的状态及特征以及它的检测关联结果，建立动态贝叶斯网络模型；更新步骤，利用动态贝叶斯网络，融合每个对象跟踪器状态和特征，找出对象在当前帧最优的位置信息，并对对象跟踪器序列进行更新。

【技术特征摘要】

【专利技术属性】
技术研发人员：田永鸿，苏驰，王耀威，黄铁军，
申请(专利权)人：北京大学，
类型：发明
国别省市：