CN101727570A - 跟踪方法、检测跟踪处理设备和监控*** - Google Patents
跟踪方法、检测跟踪处理设备和监控*** Download PDFInfo
- Publication number
- CN101727570A CN101727570A CN200810171770A CN200810171770A CN101727570A CN 101727570 A CN101727570 A CN 101727570A CN 200810171770 A CN200810171770 A CN 200810171770A CN 200810171770 A CN200810171770 A CN 200810171770A CN 101727570 A CN101727570 A CN 101727570A
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic parameter
- connected domain
- tracks
- meet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开一种跟踪方法、检测跟踪处理设备和监控***。所述跟踪方法包括:预测目标运动的位置,得到所述目标的预测位置;根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。本发明能够较好的解决对目标进行跟踪过程中的目标特征变化问题。
Description
技术领域
本发明涉及计算机视觉研究技术领域,具体涉及一种跟踪方法、检测跟踪处理设备和监控***。
背景技术
目标自适应跟踪是计算机视觉中的一个研究课题,如何有效地对感兴趣目标进行有效跟踪,是视频监控***中的关键技术。目前已经出现了许多目标跟踪的算法,可以大致被分为几类:基于“滤波、数据分配”的跟踪算法、基于“目标建模、定位”的跟踪算法和基于“运动检测”的跟踪算法等。
(1)基于“滤波、数据分配”的跟踪算法包括卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法等。此类跟踪算法大多采用“状态空间”的方法对离散动态***进行建模。例如,卡尔曼滤波算法能根据目标的历史状态预测下一时刻的目标状态。(2)基于“目标建模、定位”的跟踪算法包括基于不变矩的算法、基于模板匹配的算法和Mean-Shift算法(均值漂移算法)等。这类跟踪算法一般由三个部分组成:目标的建模、相似度度量、搜索匹配。其中,Mean-Shift算法不需要进行穷尽搜索,算法实时性好,是一个单特征参数算法;它采用核函数直方图建模,对边缘阻挡、目标的旋转、变形都不敏感,也是一种高效的模式匹配算法。(3)基于运动检测的跟踪算法包括Pfinder算法和W4算法等,这类跟踪算法依赖于运动检测算法。
在对目标进行跟踪的过程中,会存在目标特征变化问题。
现有技术中,对于目标特征变化问题,可以采用W4算法进行跟踪。W4算法中是采用最小、最大强度值和最大时间差分值为场景中每个像素进行统计建模,提取运动目标,实现对目标的检测、跟踪,并进行周期性地背景更新,因此某一程度上可以处理目标特征变化问题。
在对现有技术的研究和实践过程中,发明人发现现有技术存在以下问题:
现有技术对于目标特征变化问题所采用的W4算法,是完全依赖运动检测算法,当前景提取中出现较多的噪声点时,跟踪框会发生剧烈的变化,如果检测算法检测到的目标发生***的情况,则此时可能会把一个目标当成两个目标来跟踪,而当运动目标相互遮挡从而导致提取出的前景互相粘连的时候,此时会把两个目标当作一个目标。
因此,现有技术方没有很好的解决在对目标进行跟踪的过程中出现的目标特征变化问题。
发明内容
本发明实施例提供一种跟踪方法、检测跟踪处理设备和监控***,能够较好的解决对目标进行跟踪过程中的目标特征变化问题。
根据本发明的一方面,提供一种跟踪方法,包括:
预测目标运动的位置,得到所述目标的预测位置;
根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;
根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
根据本发明的另一方面,还提供一种检测跟踪处理设备,包括:
目标位置预测模块,用于预测目标运动的位置,得到所述目标的预测位置;
目标检测与特征分析模块,用于根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;
目标特征更新决策模块,用于根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合目标特征更新要求;
目标特征更新模块,用于在所述目标特征更新决策模块判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
本发明的另一方面,还提供一种监控***,包括图像采集输入设备和检测跟踪处理设备,所述图像采集输入设备用于向所述检测跟踪处理设备输入对目标采集的图像;所述检测跟踪处理设备包括:
目标位置预测模块,用于根据所述图像采集输入设备输入的目标的图像,预测目标运动的位置,得到所述目标的预测位置;
目标检测与特征分析模块,用于根据所述得到的预测位置进行前景提取,并确定连通域,统计得到各连通域的特征参数;
目标特征更新决策模块,用于根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合目标特征更新要求;
目标特征更新模块,用于在所述目标特征更新决策模块判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
本发明实施例提供的技术方案,由于得到了目标的预测位置,在前景提取时是利用所述预测位置,并统计出了各连通域的特征参数,然后进一步根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果来判断是否符合目标特征更新要求,那么在判断出符合目标特征更新要求后,就可以利用所述连通域的特征参数对所述目标原有特征参数进行更新,也就使目标的特征参数信息得到及时更新,从而可以得到目标的最新特征情况,那么就能更有效保持对目标的跟踪,避免当检测到目标发生***时会把一个目标当成两个目标来跟踪或当运动目标相互遮挡时会把两个目标当作一个目标的问题出现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一跟踪方法流程图;
图2是本发明实施例二跟踪方法流程图;
图3是本发明实施例单个检测跟踪处理设备的处理流程示意图;
图4是本发明实施例检测跟踪处理设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种跟踪方法,能够较好的解决对目标进行跟踪过程中的目标特征变化问题。本发明实施例主要通过将几种跟踪算法结合运用,并相应提出判决机制和处理方法,从而更加有效的解决在监控和跟踪目标的过程中的出现的目标特征变化的问题。
请参阅图1,是本发明实施例一跟踪方法流程图,包括步骤:
步骤101、预测目标运动的位置,得到所述目标的预测位置;
该步骤中,可以采用基于“滤波、数据分配”的跟踪算法,例如,采用其中的卡尔曼滤波算法预测目标运动的位置,得到所述目标的预测位置。
步骤102、根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;
该步骤中,可以采用基于运动检测的跟踪算法。根据步骤101得到的预测位置进行局部前景提取,得到一个二值图像,在该二值图像中,进行连通域标记,确定连通域,统计得到各连通域的特征参数。这里所说的特征参数包括目标颜色的特征值概率分布、像素数、长宽比、分散度,通过这些特征参数描述目标。
步骤103、根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
该步骤中,根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求包括:
根据各个连通域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值匹配出一个相似区域;
判断所述相似区域的像素数、长宽比、分散度分别与所述目标的像素数、长宽比、分散度的比值是否属于设定范围,若否,确定不符合目标特征更新要求,若是,确定符合目标特征更新要求。
从该实施例可以看出,由于得到了目标的预测位置,在前景提取时是利用所述预测位置,并统计出了各连通域的特征参数,然后进一步根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果来判断是否符合目标特征更新要求,那么在判断出符合目标特征更新要求后,就可以利用所述连通域的特征参数对所述目标原有特征参数进行更新,也就使目标的特征参数信息得到及时更新,从而可以得到目标的最新特征情况,那么就能更有效保持对目标的跟踪,避免现有技术中当检测到目标发生***时会把一个目标当成两个目标来跟踪或当运动目标相互遮挡时会把两个目标当作一个目标的问题出现。
请参阅图2,是本发明实施例二跟踪方法流程图。实施例二比实施例一更详细介绍了跟踪处理过程,图2中包括步骤:
步骤201、采用基于“滤波、数据分配”的跟踪算法预测目标在当前帧的位置;
该步骤中基于“滤波、数据分配”的跟踪算法,以采用卡尔曼滤波算法为例进行说明但不局限于此。
对于视频监控场景,场景中的目标在每一帧图像中的位置构成了目标运动的轨迹。该步骤中采用卡尔曼滤波器的目的,是为了根据目标之前的位置信息预测当前帧中目标的可能位置,所以卡尔曼滤波器中得到的状态变量和观测值均为目标的位置信息,更准确地说是被跟踪的目标的中心坐标的相关信息。
对于卡尔曼滤波算法,一般按以下公式进行处理:
信号模型:X(k)=A(k-1)X(k-1)+B(k)W(k)(1)
观测模型:Y(k)=C(k)X(k)+V(k)(2)
其中:X(k)、Y(k)分别是状态向量和观测向量,A(k-1)、B(k)、C(k)分别是状态转移矩阵、输入矩阵、观测矩阵,W(k)和V(k)是信号噪声和观测噪声,W(k)和V(k)均为高斯白噪声,服从均值为0的多元正态分布,各分量方差相等,分别为σv=σw=5。
假定运动目标中心在X、Y轴上的运动均是一个由随机加速而被扰动的直线运动,加速度α是满足高斯分布的一个随机量,均值为0,方差为σw 2,α满足α~N(0,σw 2)分布,在这里加速度α也就是信号噪声w(k)。
那么,令信号向量X(k)=[x(k) y(k) x′(k) y′(k)]T,其中x(k),y(k)分别是目标中心在x、y轴上的位置分量,x′(k)、y′(k)分别是在x、y轴上的速度。观测向量Y(k)=[xc(k)yc(k)]T,其中xc(k)、yc(k)分别是目标中心在X、Y轴上位置的观测值,观测噪声v(k)满足v(k)~N(0,σv 2)分布。
根据上述定义,上述提到的两个模型可以表示为:
可以设定常量经验值为:t=1,σv=σw=5;而初始值X(-1)=[xS yS 0 0]T,其中xS、yS表示起始帧中目标的中心坐标。
将相关参数的值代入上述(3)和(4),则该步骤可以根据目标之前的位置预测得到目标在当前帧的位置,即得到一个预测位置。
步骤202、采用基于运动检测的跟踪算法进行目标的特征参数统计;
该步骤中采用基于运动检测的跟踪算法进行目标的特征参数统计,在详细介绍该步骤前,先介绍相关的特征参数描述。
其中,k(x)为高斯核函数的轮廓函数,k(x)=ex。由于遮挡或者背景的影响,目标模型中心附近的像素比***像素更可靠,k(x)对中心的像素是分配一个大的权值,而对于远离中心的像素是分配一个小的权值。函数k(x)中的作用是为了消除不同大小目标计算时的影响,将椭圆表示的目标归一化为一个单位圆。δ(x)是Delta函数,是像素颜色值,的总的作用是判断目标区域中位置的像素颜色量化值是否属于第u个颜色区间,如果属于,则值为1,否则为0。Const是一个标准化的常量系数,使得因此:
在相关特征参数的描述介绍完后,以下介绍该步骤的具体操作过程:
1)对目标进行局部前景提取;
该步骤中对于目标进行前景提取的算法可以是采用基于运动检测的跟踪算法中的任意一种目标检测与前景提取算法,例如背景减除算法、混合高斯模型算法、图分割算法等等。
由于相邻两帧之间运动目标具有时间和空间的连续性,因此该步骤中对运动目标的检测不需要在全局的范围内进行,仅以经过步骤201得到的预测位置为基准,在该位置中心的1.5至2倍目标大小的局部范围内进行就可以,这样就大大加快了运动目标检测的速度。
本发明实施例中使用混合高斯模型算法,根据现有的混合高斯模型算法处理过程,对目标进行局部前景提取,得到一个二值图像。
2)目标特征的区域特征参数统计。
上述已经得到一个二值图像,那么在该二值图像中,进行连通域标记。这里的连通域是采用四连通方式,对于两个像素点,如果上、下、左、右四个方向中有一处相连,则两个点为连通点,而连通域是相互连通的点的集合。
经过连通域标记后,得到n个连通域{Oi}i=1…n,每个连通域的中心点为此时,进行目标特征的区域特征参数统计,包括统计各个连通域的像素数Ci,长宽比Ri,分散度Di和统计原图像在各个连通域的目标颜色的特征值概率分布
根据上述中的公式(5),可得到
经过1)和2)的处理,则步骤202得到了目标特征参数的相关统计值。
步骤203、判断是否符合目标特征更新要求,若是,进入步骤204,若否,进入步骤206;
首先,利用跟踪目标的和原图像在各个连通域的目标颜色的特征值概率分布匹配出相似度最高的区域Oi。
然后,根据匹配出的相似度最高的Oi区域,检验Oi区域的像素数Ci,长宽比Ri,分散度Di等特征参数和目标的对应特征参数相比是否在一个可接受的范围之内。如果满足下面三个条件,则为真,否则为假。
其中,σC为Oi区域与目标像素数比例阈值,σD为Oi区域与目标分散度比例阈值,σR为Oi区域与目标长宽比比例阈值。σC,σD,σR可以为0-1之间的值,具体根据不同的情况可有不同的设置值。在本发明的实施案例中σC,σD,σR中可以均取值为0.6,当然也可以取其他值。
如果Oi区域的特征符合上述判决机制,则认定Oi为跟踪目标的位置,确定符合目标特征更新要求,进入下一步骤采用Oi区域的特征对跟踪目标的特征参数进行更新。
步骤204、进行目标特征更新;根据步骤203中的判决机制,认定Oi为跟踪目标,确定符合目标特征更新要求后,在该步骤中采用Oi区域的特征对跟踪目标的特征参数进行更新,同时也相当于对跟踪框进行了自适应调整,具体操作如下:
Ctarget=γC*Ci+(1-γC)*Ctarget
Rtarget=γR*Ri+(1-γR)*Rtarget
Dtarget=γD*Di+(1-γD)*Dtarget
其中,γQ,γC,γR,γD分别为跟踪颜色特征值概率分布像素数Ctarget,长宽比Rtarget,分散度Dtarget的更新率。在本发明的实施案例中将γQ取值为0.05,可以将γC、γR和γD均取值为0.2,当然也可以取其他值。
经过上述处理,则可以使目标的特征参数信息得到及时更新,就可以得到目标的最新特征情况,从而能更有效保持对目标的跟踪,避免现有技术中当检测到目标发生***时会把一个目标当成两个目标来跟踪或当运动目标相互遮挡时会把两个目标当作一个目标的问题出现。
步骤205、确定匹配出的连通域位置为目标的匹配位置,进入步骤209;
因为已经确定是符合目标特征更新要求,并且是采用Oi区域的特征对跟踪目标的特征参数进行更新,因此确定匹配出的连通域即Oi区域为目标的匹配位置,该位置即为跟踪的最优位置,然后进入步骤209进行跟踪结果输出。
需要说明的是,步骤204和205之间没有必然的顺序关系。
步骤206、以预测位置为起点,采用基于“目标建模、定位”的跟踪算法进行跟踪,进入步骤207;
根据步骤203中的判决机制,如果不认定Oi为跟踪目标,即不符合目标特征更新要求后,则以预测位置为起点,采用基于“目标建模、定位”的跟踪算法进行跟踪。
该步骤中采用基于“目标建模、定位”的跟踪算法,以Mean-Shift算法举例说明但不局限于此。
Mean-Shift算法迭代过程如下:
C、使用Mean-Shift算法,计算目标新位置:
式中,g(x)为同样为核函数的轮廓函数,且g(x)=-k′(x)=-ex。
步骤207、判断相似度是否符合相似要求,若是,进入步骤208,若否,进入步骤209;
步骤208、以采用基于“目标建模、定位”的跟踪算法进行跟踪得到的跟踪位置为目标的匹配位置,进入步骤210;
因为大于阈值,是符合相似要求,因此该步骤中确定采用Mean-Shift算法进行跟踪得到了正确的结果,也就是说以采用基于“目标建模、定位”的跟踪算法进行跟踪得到的位置为目标的匹配位置,该位置即为跟踪的最优位置,然后进入步骤210进行跟踪结果输出。
步骤209、以预测位置为目标的匹配位置,进入步骤210;
因为小于阈值,是不符合相似要求,因此该步骤确定采用Mean-Shift算法进行跟踪没有得到正确的结果,可能的原因是目标被大面积遮挡或者完全遮挡,这时采用Mean-Shift算法进行跟踪的结果是不可靠的。而在一般的情况下,目标的运动是连续、有规律的,并不具有很强的机动性,所以,经过卡尔曼滤波得出的预测位置是相对比较可靠。因此,在小于阈值的情况下,确定直接采用卡尔曼滤波得出的预测位置作为目标位置,该位置即为跟踪的最优位置,然后进入步骤210进行跟踪结果输出。
步骤210、根据目标的匹配位置输出跟踪结果。
该步骤中,根据上述步骤得到的目标的匹配位置输出跟踪结果,从而有效的保持对目标的跟踪。
从该实施例可以看出,该实施例是综合运用了几种跟踪算法,利用了这些跟踪算法的各自优点,首先是利用采用基于“滤波、数据分配”的跟踪算法预测目标在当前帧的位置,这样就得到了目标的预测位置,接着是采用基于运动检测的跟踪算法进目标的特征参数统计,并提出一种判决机制,即在统计出了各连通域的特征参数后,根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果来判断是否符合目标特征更新要求,如果判断出符合目标特征更新要求后,就可以利用所述连通域的特征参数对所述目标原有特征参数进行更新,这样的更新就可以更准确有效地保持对目标进行跟踪,如果判断不符合目标特征更新请求,此时可以进一步利用基于“目标建模、定位”的跟踪算法进行跟踪得到跟踪区域,并根据相似度的比较来确定是采用跟踪区域还是采用之前得到的预测位置作为目标的匹配位置,从而区分不同情况也更准确的保持对目标的有效跟踪。
本发明实施例的技术方案可以用于对固定场景的监控***中,比如停车场监控、银行监控、楼宇监控等等。通常监控***中,包含图像采集输入设备(如摄像机),检测跟踪处理设备(计算机或者嵌入式设备);如果为多摄像机协同的监控***,还包括中控服务器,交换机等网络设备。本发明实施例的技术方案具体是可以用于监控***中的检测跟踪处理设备中,可以实现跟踪框随着目标的大小变化而变化,而且目标的特征得到及时更新,实现对目标更长时间的跟踪。
具体应用中,无论是单摄像机的监控***还是多摄像机协同的监控***,对于单个检测跟踪处理设备来说,处理过程都是一样的,以下以单个检测跟踪处理设备应用本发明实施例技术方案的处理流程举例说明。
请参阅图3,是本发明实施例单个检测跟踪处理设备的处理流程示意图。
如图3所示,检测跟踪处理设备包括图像采集模块M01、目标选择和分析模块M02、目标位置预测模块M03、目标检测与特征分析模块M04、目标特征更新决策模块M05、目标特征更新模块M06、跟踪和目标判决模块M07、输出模块M08。各模块之间的配合处理过程如下描述:
图像采集模块M01,用于从图像采集输入设备(例如摄像机或者视频采集卡等视频采集设备)获取对目标进行图像采集后得到的输出结果即视频序列S01。S01如果是第一帧视频,需要经过目标选择和分析模块M02,否则直接发送给目标位置预测模块M03。
目标选择和分析模块M02对目标的选择可以由监控工作人员根据实际情况手动选定跟踪目标,也可以根据初始设定条件由计算机自动完成。目标选择完成后,目标选择和分析模块M02还需要对目标特征进行分析,得到目标位置、目标颜色特征值概率分布、像素数、长宽比、分散度等特征参数,输出的结果S02包含这些特征参数。
目标位置预测模块M03,可以采用卡尔曼滤波算法,根据目标以往的位置点的信息预测当前帧中目标的可能位置。在视频序列是第一帧的情况下,目标位置预测模块M03根据输出的结果S02中目标的位置信息预测目标的位置;而在视频序列不是第一帧的情况下,根据前一帧的跟踪结果(S07或S08)中的位置特征预测目标所在的位置。目标位置预测模块M03输出的结果S03中除了目标的预测位置外,还包含输出的结果S02、S07或者S08中的目标特征的特征参数信息。
目标检测与特征分析模块M04,在输出的结果S03中的预测目标位置附近领域内进行局部前景提取和进行连通域标记,并计算每个连通域的中心点位置,统计各个连通域的像素数、长宽比、分散度和连通域区域的颜色特征值概率分布。目标检测与特征分析模块M04输出的结果S04中包含各个连通域的上述特征参数,并包含了输出的结果S03中的特征参数信息。
目标特征更新决策模块M05,首先根据输出的结果S04中的跟踪目标的颜色特征值概率分布和原图像在各个连通域的目标颜色的特征值概率分布,匹配出相似度最高的区域Oi,然后检验Oi区域的像素数、长宽比、分散度等特征参数和目标的对应特征参数相比是否在一个可接收的范围之内。如果满足设定的条件,则为真,表明Oi区域的特征符合目标特征更新决策模块M05的判决机制,认定Oi为跟踪目标,向目标特征更新模块M06输出结果S05;否则为假,表明Oi区域的特征不符合目标特征更新决策模块M05的判决机制,不认定Oi为跟踪目标,向Mean-Shift跟踪和目标判决模块M07输出S06。输出的结果S05和S06中均仍包含了S04的特征参数信息。
目标特征更新模块M06,用输出的结果S05中Oi区域的特征参数对跟踪目标的特征进行更新,更新的特征参数包括目标颜色特征值概率分布、像素数、长宽比和分散度,然后向输出模块M08输出结果S07,其中包含了目标的位置,更新后的各特征参数。
跟踪和目标判决模块M07,可以采用Mean-Shift算法进行相关处理得到目标位置。跟踪和目标判决模块M07以卡尔曼滤波预测的位置为中心,采用Mean-Shift算法进行迭代跟踪。在Mean-Shift跟踪算法收敛后,得到目标区域Om,计算Om与目标的相似度。如果相似度Bhattacharrya系数大于阈值,表示Mean-Shift跟踪算法得到了正确的结果。如果小于阈值,表示Mean-Shift跟踪算法没有得到了正确的结果,这时Mean-Shift跟踪结果是不可靠的确定卡尔曼滤波得出的预测位置相对是比较可靠。因此,在小于阈值的情况下,直接采用卡尔曼滤波得出的预测位置作为目标位置,向输出模块M08输出结果S08,其中包含了跟踪和目标判决模块M07得到的目标位置和S06中的目标的特征参数。
输出模块M08,根据目标特征更新模块M06、跟踪和目标判决模块M07输入的结果,向外输出跟踪结果。
该应用实施例中,通过检测跟踪处理设备执行上述流程,可以有效的解决对目标进行跟踪过程中的目标特征变化问题。
上述内容详细的介绍了本发明实施例的跟踪方法,相应的,以下详细的介绍本发明实施例提供的检测跟踪处理设备和监控***。
请参阅图4,是本发明实施例检测跟踪处理设备结构示意图。
如图4所示,检测跟踪处理设备包括:目标位置预测模块11、目标检测与特征分析模块12、目标特征更新决策模块13、目标特征更新模块14。
目标位置预测模块11,用于预测目标运动的位置,得到所述目标的预测位置。
目标检测与特征分析模块12,用于根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数。
目标特征更新决策模块13,用于根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合目标特征更新要求。
目标特征更新模块14,用于在所述目标特征更新决策模块13判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
检测跟踪处理设备还包括:跟踪和目标判决模块15。
跟踪和目标判决模块15,用于在所述目标特征更新决策模块13判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数,并根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置。
所述跟踪和目标判决模块15包括:跟踪及统计单元151、判断单元152、第一处理单元153、第二处理单元154。
跟踪及统计单元151,用于在所述目标特征更新决策模块13判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数。
判断单元152,用于根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合相似要求。
第一处理单元153,用于在所述判断单元152判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置。
第二处理单元154,用于在所述判断单元152判断出不符合相似要求后,确定以所述预测位置作为对目标进行跟踪的匹配位置。
上面所提到的连通域的特征参数包括目标颜色的特征值概率分布、像素数、长宽比、分散度。
所述目标特征更新决策模块13包括:匹配单元131、决策单元132。
匹配单元131,用于根据各个连通域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值匹配出一个相似区域。
决策单元132,用于判断所述相似区域的像素数、长宽比、分散度分别与所述目标的像素数、长宽比、分散度的比值是否属于设定范围,若否,确定不符合目标特征更新要求,若是,确定符合目标特征更新要求。
上面所提到的跟踪区域的特征参数为目标颜色的特征值概率分布。
所述跟踪和目标判决模块15中的判断单元152包括:比较单元1521、结果确定单元1522。
比较单元1521,用于比较跟踪区域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值是否大于设定阈值。
结果确定单元1522,用于在所述比较单元1521比较出所述相似度系数值小于设定阈值时,确定不符合相似要求,在所述比较单元1521比较出所述相似度系数值大于设定阈值时,确定符合相似要求。
本发明实施例还提供一种监控***,包括图像采集输入设备和检测跟踪处理设备,图像采集输入设备用于向所述检测跟踪处理设备输入对目标采集的图像,所述检测跟踪处理设备根据图像采集输入设备输入的目标的图像进行跟踪处理,所述检测跟踪处理设备的具体结构如图4所示,此处不再详细叙述。
综上所述,本发明实施例提供的技术方案,由于得到了目标的预测位置,在前景提取时是利用所述预测位置,并统计出了各连通域的特征参数,然后进一步根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果来判断是否符合目标特征更新要求,那么在判断出符合目标特征更新要求后,就可以利用所述连通域的特征参数对所述目标原有特征参数进行更新,也就使目标的特征参数信息得到及时更新,从而可以得到目标的最新特征情况,那么就能更有效保持对目标的跟踪,避免现有技术中当检测到目标发生***时会把一个目标当成两个目标来跟踪,当运动目标相互遮挡时会把两个目标当作一个目标的问题出现。
进一步,本发明实施例技术方案在判断出不符合目标特征更新请求后,可以进一步利用基于“目标建模、定位”的跟踪算法进行跟踪得到跟踪区域,并根据相似度的比较来确定是采用跟踪区域还是采用之前得到的预测位置作为目标的匹配位置,从而区分不同情况也更准确的保持对目标的有效跟踪。
以上对本发明实施例所提供的一种跟踪方法、检测跟踪处理设备和监控***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种跟踪方法,其特征在于,包括:
预测目标运动的位置,得到所述目标的预测位置;
根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;
根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
2.根据权利要求1所述的跟踪方法,其特征在于,所述方法还包括:
根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数;
根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置。
3.根据权利要求2所述的跟踪方法,其特征在于,所述方法还包括:
所述根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出不符合相似要求后,确定以所述预测位置作为对目标进行跟踪的匹配位置。
4.根据权利要求1至3任一项所述的跟踪方法,其特征在于:
所述连通域的特征参数包括目标颜色的特征值概率分布、像素数、长宽比、分散度;
所述根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断出符合目标特征更新要求的步骤包括:
根据各个连通域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值匹配出一个相似区域;
判断所述相似区域的像素数、长宽比、分散度分别与所述目标的像素数、长宽比、分散度的比值是否属于设定范围,若否,确定不符合目标特征更新要求,若是,确定符合目标特征更新要求。
5.根据权利要求2或3所述的跟踪方法,其特征在于:
所述跟踪区域的特征参数为目标颜色的特征值概率分布;
所述根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出符合相似要求的步骤包括:
判断跟踪区域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值是否大于设定阈值,若否,确定不符合相似要求,若是,确定符合相似要求。
6.一种检测跟踪处理设备,其特征在于,包括:
目标位置预测模块,用于预测目标运动的位置,得到所述目标的预测位置;
目标检测与特征分析模块,用于根据所述得到的预测位置进行前景提取,并确定连通域,统计得到连通域的特征参数;
目标特征更新决策模块,用于根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合目标特征更新要求;
目标特征更新模块,用于在所述目标特征更新决策模块判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
7.根据权利要求6所述的检测跟踪处理设备,其特征在于,还包括:
跟踪和目标判决模块,用于在所述目标特征更新决策模块判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数,并根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置。
8.根据权利要求7所述的检测跟踪处理设备,其特征在于,所述跟踪和目标判决模块包括:
跟踪及统计单元,用于在所述目标特征更新决策模块判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数;
判断单元,用于根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合相似要求;
第一处理单元,用于在所述判断单元判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置;
第二处理单元,用于在所述判断单元判断出不符合相似要求后,确定以所述预测位置作为对目标进行跟踪的匹配位置。
9.根据权利要求6至8任一项所述的检测跟踪处理设备,其特征在于,所述连通域的特征参数包括目标颜色的特征值概率分布、像素数、长宽比、分散度,所述目标特征更新决策模块包括:
匹配单元,用于根据各个连通域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值匹配出一个相似区域;
决策单元,用于判断所述相似区域的像素数、长宽比、分散度分别与所述目标的像素数、长宽比、分散度的比值是否属于设定范围,若否,确定不符合目标特征更新要求,若是,确定符合目标特征更新要求。
10.根据权利要求8所述的检测跟踪处理设备,其特征在于,所述跟踪区域的特征参数为目标颜色的特征值概率分布,所述跟踪和目标判决模块中的判断单元包括:
比较单元,用于比较跟踪区域的目标颜色的特征值概率分布与所述目标的目标颜色的特征值概率分布所确定的相似度系数值是否大于设定阈值,
结果确定单元,用于在所述比较单元比较出所述相似度系数值小于设定阈值时,确定不符合相似要求,在所述比较单元比较出所述相似度系数值大于设定阈值时,确定符合相似要求。
11.一种监控***,其特征在于,包括图像采集输入设备和检测跟踪处理设备,所述图像采集输入设备用于向所述检测跟踪处理设备输入对目标采集的图像,所述检测跟踪处理设备包括:
目标位置预测模块,用于根据所述图像采集输入设备输入的目标的图像,预测目标运动的位置,得到所述目标的预测位置;
目标检测与特征分析模块,用于根据所述得到的预测位置进行前景提取,并确定连通域,统计得到各连通域的特征参数;
目标特征更新决策模块,用于根据所述连通域的特征参数与所述目标原有特征参数进行比较的结果判断是否符合目标特征更新要求;
目标特征更新模块,用于在所述目标特征更新决策模块判断出符合目标特征更新要求后,通过比较时所匹配出的所述连通域的特征参数对所述目标原有特征参数进行更新,确定所述匹配出的连通域的位置作为对目标进行跟踪的匹配位置。
12.根据权利要求11所述的监控***,其特征在于,所述检测跟踪处理设备还包括:
跟踪和目标判决模块,用于在所述目标特征更新决策模块判断出不符合目标特征更新要求后,以所述预测位置为起点,采用基于目标建模、定位的跟踪算法得到跟踪区域,统计得到跟踪区域的特征参数;根据所述跟踪区域的特征参数与所述目标原有特征参数进行比较的结果判断出符合相似要求后,确定以所述跟踪区域作为对目标进行跟踪的匹配位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101717707A CN101727570B (zh) | 2008-10-23 | 2008-10-23 | 跟踪方法、检测跟踪处理设备和监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101717707A CN101727570B (zh) | 2008-10-23 | 2008-10-23 | 跟踪方法、检测跟踪处理设备和监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101727570A true CN101727570A (zh) | 2010-06-09 |
CN101727570B CN101727570B (zh) | 2012-05-23 |
Family
ID=42448447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101717707A Expired - Fee Related CN101727570B (zh) | 2008-10-23 | 2008-10-23 | 跟踪方法、检测跟踪处理设备和监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101727570B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521841A (zh) * | 2011-11-22 | 2012-06-27 | 四川九洲电器集团有限责任公司 | 多目标物体跟踪方法 |
CN103473757A (zh) * | 2012-06-08 | 2013-12-25 | 株式会社理光 | 在视差图中的对象跟踪方法和*** |
CN103517042A (zh) * | 2013-10-17 | 2014-01-15 | 吉林大学 | 一种养老院老人危险行为监测方法 |
CN106485231A (zh) * | 2016-10-21 | 2017-03-08 | 上海未来伙伴机器人有限公司 | 一种目标色块提取方法及装置 |
CN107169998A (zh) * | 2017-06-09 | 2017-09-15 | 西南交通大学 | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 |
CN107392936A (zh) * | 2017-06-09 | 2017-11-24 | 广东光阵光电科技有限公司 | 一种基于meanshift的目标跟踪方法 |
CN109074473A (zh) * | 2016-04-11 | 2018-12-21 | 北京市商汤科技开发有限公司 | 用于对象跟踪的方法和*** |
CN109743535A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种基于实时gps位置实现监控设备自动跟随的方法、装置及存储介质 |
CN111275741A (zh) * | 2020-01-19 | 2020-06-12 | 北京迈格威科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN111862149A (zh) * | 2020-06-16 | 2020-10-30 | 北京九州天航科技发展有限公司 | 一种红外周扫预警***的运动告警方法及*** |
CN113538500A (zh) * | 2021-09-10 | 2021-10-22 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
CN113634356A (zh) * | 2021-08-12 | 2021-11-12 | 长春市九台区侬富米业有限公司 | 一种大米和玉米多功能研磨制米面智能***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127122A (zh) * | 2007-09-13 | 2008-02-20 | 复旦大学 | 一种内容自适应渐进式遮挡分析目标跟踪算法 |
CN101226592A (zh) * | 2008-02-21 | 2008-07-23 | 上海交通大学 | 基于部件的对象跟踪方法 |
CN101324956A (zh) * | 2008-07-10 | 2008-12-17 | 上海交通大学 | 基于均值漂移的抗遮挡运动目标跟踪方法 |
-
2008
- 2008-10-23 CN CN2008101717707A patent/CN101727570B/zh not_active Expired - Fee Related
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521841A (zh) * | 2011-11-22 | 2012-06-27 | 四川九洲电器集团有限责任公司 | 多目标物体跟踪方法 |
CN103473757A (zh) * | 2012-06-08 | 2013-12-25 | 株式会社理光 | 在视差图中的对象跟踪方法和*** |
CN103473757B (zh) * | 2012-06-08 | 2016-05-25 | 株式会社理光 | 在视差图中的对象跟踪方法和*** |
CN103517042A (zh) * | 2013-10-17 | 2014-01-15 | 吉林大学 | 一种养老院老人危险行为监测方法 |
CN103517042B (zh) * | 2013-10-17 | 2016-06-29 | 吉林大学 | 一种养老院老人危险行为监测方法 |
CN109074473A (zh) * | 2016-04-11 | 2018-12-21 | 北京市商汤科技开发有限公司 | 用于对象跟踪的方法和*** |
CN106485231A (zh) * | 2016-10-21 | 2017-03-08 | 上海未来伙伴机器人有限公司 | 一种目标色块提取方法及装置 |
CN107169998A (zh) * | 2017-06-09 | 2017-09-15 | 西南交通大学 | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 |
CN107392936A (zh) * | 2017-06-09 | 2017-11-24 | 广东光阵光电科技有限公司 | 一种基于meanshift的目标跟踪方法 |
CN107169998B (zh) * | 2017-06-09 | 2019-11-19 | 西南交通大学 | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 |
CN107392936B (zh) * | 2017-06-09 | 2020-06-05 | 广东光阵光电科技有限公司 | 一种基于meanshift的目标跟踪方法 |
CN109743535A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种基于实时gps位置实现监控设备自动跟随的方法、装置及存储介质 |
CN111275741A (zh) * | 2020-01-19 | 2020-06-12 | 北京迈格威科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN111275741B (zh) * | 2020-01-19 | 2023-09-08 | 北京迈格威科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN111862149A (zh) * | 2020-06-16 | 2020-10-30 | 北京九州天航科技发展有限公司 | 一种红外周扫预警***的运动告警方法及*** |
CN113634356A (zh) * | 2021-08-12 | 2021-11-12 | 长春市九台区侬富米业有限公司 | 一种大米和玉米多功能研磨制米面智能***及方法 |
CN113538500A (zh) * | 2021-09-10 | 2021-10-22 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
CN113538500B (zh) * | 2021-09-10 | 2022-03-15 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101727570B (zh) | 2012-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101727570B (zh) | 跟踪方法、检测跟踪处理设备和监控*** | |
Xia et al. | Towards improving quality of video-based vehicle counting method for traffic flow estimation | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN100589561C (zh) | 基于视频内容分析的可疑静止物检测方法 | |
CN101246547B (zh) | 一种根据场景变化特征对视频中运动物体检测的方法 | |
CN101389004B (zh) | 一种基于在线学习的运动目标分类方法 | |
CN101325690A (zh) | 监控视频流中人流分析与人群聚集过程的检测方法及*** | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和*** | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及*** | |
CN101017573A (zh) | 一种基于视频监控的运动目标检测与识别方法 | |
CN108229256B (zh) | 一种道路施工检测方法及装置 | |
CN104200466A (zh) | 一种预警方法及摄像机 | |
CN104637058A (zh) | 一种基于图像信息的客流量识别统计方法 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN111353338B (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN104616006A (zh) | 一种面向监控视频的胡须人脸检测方法 | |
Indrabayu et al. | Blob modification in counting vehicles using gaussian mixture models under heavy traffic | |
Al-Hmouz et al. | License plate localization using a statistical analysis of Discrete Fourier Transform signal | |
Arya et al. | Real-time vehicle detection and tracking | |
Choeychuen | Available car parking space detection from webcam by using adaptive mixing features | |
DE102015207047A1 (de) | Verfahren und System automatisierten Sequenzieren von Fahrzeugen in nebeneinander angeordneten Durchfahrtskonfigurationen über eine bildbasierte Einstufung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120523 Termination date: 20171023 |