CN103324953A - 视频监控多目标检测与跟踪方法 - Google Patents

Abstract

本发明公开了一种视频监控多目标检测与跟踪方法，包括：通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器；通过所述Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度；以所述Adaboost级联分类器定位的目标作为观测，通过多假设跟踪算法进行目标跟踪。应用本发明技术方案，能够提高目标检测的准确率，并降低多目标跟踪时的漏检率和误报率。

Description

视频监控多目标检测与跟踪方法

技术领域

本发明涉及视频监控技术领域，特别是涉及到一种视频监控多目标检测与跟踪方法。

背景技术

多目标检测与跟踪技术是视频监控的关键技术，在检测出监控场景中感兴趣的多个目标，需要对每一个目标进行跟踪，确定目标的运动轨迹，以用于后续分析。

在现有技术中，对于目标检测，一般是采用背景建模算法，背景建模算法是视频图像中运动目标检测的一种方法，其基本思想是对图像的背景进行建模，一旦背景模型建立，将当前的图像与背景模型进行比较，根据比较结果确定前景目标。背景建模算法包括颜色背景模型和纹理背景模型。

现有技术在检测目标后，对多目标跟踪包括数据关联和目标状态（位置、大小、速度等）预测。数据关联用于确定目标与观测（目标检测结果）之间的对应关系，常见算法包括最近领域关联、联合概率滤波等。目标状态预测用于估计目标在下一帧图像中的状态，常见算法有线性预测、粒子滤波等。

发明人在研究中发现现有技术至少存在如下技术问题：现有技术进行目标检测采用的背景建模法对环境的光照条件和背景的运动比较敏感，运动物体的阴影也会对比较的结果产生影响。因此背景建模法不适用于光照条件变化和恶劣天气的场景，精度比较差。此外现有的多目标跟踪算法目标漏检率、误报率比较高。

发明内容

基于此，有必要针对上述技术问题，提供一种视频监控多目标检测与跟踪方法，能够提高目标检测的准确率，并降低多目标跟踪时的漏检率和误报率。

一种视频监控多目标检测与跟踪方法，包括：

通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器；

通过所述Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度；

以所述Adaboost级联分类器定位的目标作为观测，通过多假设跟踪算法进行目标跟踪。

上述视频监控多目标检测与跟踪方法，通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器，再通过Adaboost级联分类器进行目标检测，相对于现有技术的背景模型建模法提高了目标检测的准确率。此外通过多假设跟踪算法进行目标跟踪，降低了目标漏检率、误报率。

附图说明

图1为一个实施例提供的视频监控多目标检测与跟踪方法的流程示意图；

图2为一个实施例提供的Adaboost学习算法的流程示意图；

图3为一个实施例提供的多假设跟踪算法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，在一个实施例中，提供了一种视频监控多目标检测与跟踪方法，包括：

步骤S102，通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器。

在图像目标识别技术领域，常常需要根据任意给定的图像，对其按一定的策略进行搜索以确定是否含有特定目标，例如车、船、人脸等。Adaboost作为一种迭代算法，其基本思想就是：对于一个具体的识别问题，通过一定的算法将一组弱分类器提升为强分类器。这里的若分类器就是指对目标的识别仅好于随机猜测的分类器，而强分类器则可以认为其通过一定样本的学习达到了理想的目标识别率。在本步骤中，通过Adaboost学习算法对人工采集的样本进行训练，得到Adaboost级联分类器，用于进行后续的目标检测。

步骤S104，通过Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度。

输入的图像数据可以是视频序列或静态的图像，采用Adaboost级联分类器对图像数据进行目标检测，所检测的目标并不能完全确定为真是目标，需要输出目标的置信度作为确定检测目标为真实目标的概率。

步骤S106，以Adaboost级联分类器定位的目标作为观测，通过多假设跟踪算法进行目标跟踪。

本实施例提供的视频监控多目标检测与跟踪方法，通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器，再通过Adaboost级联分类器进行目标检测，相对于现有技术的背景模型建模法提高了目标检测的准确率。此外通过多假设跟踪算法进行目标跟踪，降低了目标漏检率、误报率。

参见图2，在一个实施例中，Adaboost学习算法流程包括

步骤S202，弱分类器训练。

弱分类器训练算法，根据输入的目标样本进行训练得到弱分类器。

步骤S204，弱分类器标定。

弱分类器标定算法，对所述训练得到的弱分类器进行重排序。

在一个实施例中，弱分类器训练算法包括:

（1）输入负样本的初始个数a、正样本的初始个数b和弱分类器的个数T，输入负样本和正样本(x₁,y₁),...,(x_a+b,y_a+b),其中y_i=0表示负样本，y_i=1表示正样本。

输入的正样本和负样本由人工采集。正样本为包含所要检测目标的图像，负样本为不包含所要检测目标的图像。

（2）初始化样本权重：若y_i=0，则

若y_i=1，则

初始化设置时认为正样本和负样本的概率为平均分布。

（3）对于y_i=1，完成下列循环：

a.对样本的每个图像特征训练一个分类器h_j，分类器的误差为 ${\mathrm{\ξ}}_i={\mathrm{\Σ}}_i{w}_i|h_j\left(x_i\right)-y_i|.$

在本实施例中，图像特征可以包括但不限于是包括扩展梯度直方图特征或Haar特征

b.选择具有最小误差ξ_t的分类器h_t，设

α_t=-logβ_t，c_t=α_th_t。

c.将现有负样本的样本权重进行缩放：对

,若y_i=0，将w_t-1,i更新为

d.对k=1,...,K，增加样本(x_N+k,0)，权重为

且

K为设定参数，取值一般为几千，增加的负样本和缩放的负样本的权重和为一常数。当前强分类器所有弱分类器的输出累加

不小于弱分类器的权重累加的二分之一，表明样本被正确分类。

e.将负样本的个数a更新为a+K，

f.缩小能够被h_j正确分类的样本的权重：

将w_t-1,i更新为β_tw_t-1,i。

g.所有样本的权重进行归一化：

h.输出弱分类器c_t。

在一个实施例中，弱分类器标定算法包括：

（1）输入标定样本集X={(x₁,y₁),...,(x_N,y_N)}，其中y_i=0,1分别为负样本和正样本，a=∑(1-y_i),b=∑y_i为负样本和正样本的数量。

（2）输入v₁,...,v_T，为所述弱分类器训练算法输出的弱分类器c₁,...,c_T的漏报率。

（3）输入所述弱分类器训练算法输出的弱分类器c_t的集合{C}。

（4）初始化样本响应d_0,i=0，正样本拒绝率p=0，当前负样本个数A←a。

（5）对t=1,...,T，进行下列循环：

A．更新正样本拒绝率p为p+v_t，更新负样本和正样本的个数分别为 $a_t={\mathrm{\Σ}}_{(x_i,y_i)\∈X}(1-y_i),$ $b_t={\mathrm{\Σ}}_{(x_i,y_i)\∈X}{y}_i,$

B．从弱分类器集合{C}中选择弱分类器 $q\left(t\right)=\arg {\max }_j\underset{i}{\mathrm{\Σ}}{f}_{t,i,j}{y}_i/b_t-\underset{i}{\mathrm{\Σ}}{f}_{t,i,j}(1-y_i)/a_t,$ 其中，f_t,i,j=d_t,i-1+c_j，

C．更新样本响应d_t,i=d_t-1,i+c_q(t)(x_i)，

D．确定阀值r_t，使所有预测值不超过的r_t的样本的强分类器输出和样本标签的乘积的累加和小于一个指定值pb：∑_ipred(d_t,i≤r_t)y_i≤pb,所述强分类器为当前弱分类器的累加，

E．更新

X←X-{(x_i,y_i)|d_t,i<r_t}，C←C-{c_q(t)}，

（6）随机选取A_t个负样本，直至确定k=1,...,K，添加样本(x_N+k,0)，其输出为 $d_{t,N+k}=\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{c}_q\left(j\right)\left(x_{N+k}\right),$ 且满足 $\&ForAll;j\&Element;\{1,...,t\},$ $\underset{m=1}{\overset{j}{\mathrm{\&Sigma;}}}{c}_{q\left(m\right)}\left(x_{N+k}\right)\&GreaterEqual;r_j,$

更新标定样本集元素个数N←N+K，更新当前负样本个数A←A+A_t。

（7）输出段输出函数c_q(t)和r_t。

在一个实施例中，通过所述Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度包括：

（1）输入图像数据至Adaboost级联分类器。

图像数据为视频序列或静态图像。

（2）初始化Adaboost级联分类器的输出s=0。

（3）对t=1,...,T进行循环：

计算弱分类器标定后的弱分类器输出c_t(x)，

s=s+c_t(x)

若s<ξ_t，则返回当前输入的图像数据为负样本。

（4）返回当前输入的图像数据为正样本和s。

（5）计算置信度 $P0=\frac{e^s}{e^{-s}+e^s}.$

参见图3，在一个实施例中，多假设跟踪算法包括：

步骤S302，对目标和观测进行数据聚簇。

数据聚簇的依据是关联门限，如果目标和观测之间的距离落在关联门限之外，则不属于同一个簇，距离的计算采用欧氏距离。

步骤S304，确定每个目标与观测的关联代价，形成关联矩阵。

通过确定关联矩阵，给出目标与观测值之间的相似度。

步骤S306，利用卡尔曼滤波器对已有目标进行预测。

步骤S308，利用最优化算法计算该关联矩阵的最优M个分配方案，形成M个关联假设和每一个关联假设的概率。

在不列举所有情况下，把M个最优的分配方案列举出来。例如先构造所有可能分哦的队列，每次采用匈牙利最优算法找到一个最优线性分配，在分配队列中删除这个最优分配，再从剩下的分配队列中寻找一个最优分配，作为次优分配方案。如此循环M次就可找到M个最优的分配方案。

步骤S310，对假设进行剪枝。

对假设进行剪枝，去除次优的解，只保留最优的解，加快了算法的计算速度。

步骤S312，输出置信度最高的假设，作为跟踪结果。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种视频监控多目标检测与跟踪方法，包括：

通过Adaboost学习算法对输入的目标样本进行训练，生成Adaboost级联分类器；

通过所述Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度；

以所述Adaboost级联分类器定位的目标作为观测，通过多假设跟踪算法进行目标跟踪。

2.根据权利要求1所述的方法，其特征在于，所述Adaboost学习算法包括弱分类器训练算法和弱分类器标定算法；

所述弱分类器训练算法，根据输入的目标样本进行训练得到弱分类器；

所述弱分类器标定算法，对所述训练得到的弱分类器进行重排序。

3.根据权利要求2所述的方法，其特征在于，所述弱分类器训练算法包括:

输入负样本的初始个数a、正样本的初始个数b和弱分类器的个数T，输入负样本和正样本(x₁,y₁),...,(x_a+b,y_a+b),其中y_i=0表示负样本，y_i=1表示正样本；

初始化样本权重：若y_i=0，则

若y_i=1，则

对于y_i=1，完成下列循环：

对样本的每个图像特征训练一个分类器h_j，分类器的误差为 ${\mathrm{\&xi;}}_i={\mathrm{\&Sigma;}}_i{w}_i|h_j\left(x_i\right)-y_i|,$

选择具有最小误差ξ_t的分类器h_t，设

α_t=-logβ_t，c_t=α_th_t，

将现有负样本的样本权重进行缩放：

将w_t-1,i更新为对k=1,...,K，增加样本(x_N+k,0)，权重为

且

将负样本的个数a更新为a+K，

缩小能够被h_j正确分类的样本的权重：

将w_t-1,i更新为β_tw_t-1,i，所有样本的权重进行归一化：

输出弱分类器c_t。

4.根据权利要求3所述的方法，其特征在于，所述图像特征包括扩展梯度直方图特征或Haar特征。

5.根据权利要求3所述的方法，其特征在于，所述弱分类器标定算法包括：

输入标定样本集X={(x₁,y₁),...,(x_N,y_N)}，其中y_i=0,1分别为负样本和正样本，a=∑(1-y_i),b=∑y_i为负样本和正样本的数量；

输入v₁,...,v_T，为所述弱分类器训练算法输出的弱分类器c₁,...,c_T的漏报率；

输入所述弱分类器训练算法输出的弱分类器c_t的集合{C}；

初始化样本响应d_0,i=0，正样本拒绝率p=0，当前负样本个数A←a；

对t=1,...,T，进行下列循环：

更新正样本拒绝率p为p+v_t，更新负样本和正样本的个数分别为 $a_t={\mathrm{\&Sigma;}}_{(x_i,y_i)\&Element;X}(1-y_i),$ $b_t={\mathrm{\&Sigma;}}_{(x_i,y_i)\&Element;X}{y}_i,$

从弱分类器集合{C}中选择弱分类器 $q\left(t\right)=\arg {\max }_j\underset{i}{\mathrm{\&Sigma;}}{f}_{t,i,j}{y}_i/b_t-\underset{i}{\mathrm{\&Sigma;}}{f}_{t,i,j}(1-y_i)/a_t,$ 其中，f_t,i,j=d_t,i-1+c_j，

更新样本响应d_t,i=d_t-1,i+c_q(t)(x_i)，

确定阀值r_t，使所有预测值不超过的rt的样本的强分类器输出和样本标签的乘积的累加和小于一个指定值pb：

所述强分类器为当前弱分类器的累加，

更新

X←X-{(x_i,y_i)|d_t,i<r_t}，C←C-{c_q(t)}，

随机选取A_t个负样本，直至确定k=1,...,K，添加样本(x_N+k,0)，其输出为 $d_{t,N+k}=\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{c}_q\left(j\right)\left(x_{N+k}\right),$ 且满足 $\&ForAll;j\&Element;\{1,...,t\},$ $\underset{m=1}{\overset{j}{\mathrm{\&Sigma;}}}{c}_{q\left(m\right)}\left(x_{N+k}\right)\&GreaterEqual;r_j,$

更新标定样本集元素个数N←N+K，更新当前负样本个数A←A+A_t，输出段输出函数c_q(t)和r_t。

6.根据权利要求5所述的方法，其特征在于，所述通过所述Adaboost级联分类器对输入的图像数据进行目标检测，定位目标并输出目标的置信度的步骤包括算法：

输入图像数据至Adaboost级联分类器；

初始化Adaboost级联分类器的输出s=0；

对t=1,...,T进行循环：

计算弱分类器标定后的弱分类器输出c_t(x)，

s=s+c_t(x)

若s<ξ_t，则返回当前输入的图像数据为负样本；

返回当前输入的图像数据为正样本和s；

置信度 $P0=\frac{e^s}{e^{-s}+e^s}.$

7.根据权利要求6所述的方法，其特征在于，所述图像数据为视频序列或静态图像。

8.根据权利要求1所述的方法，其特征在于，所述多假设跟踪算法包括：

对目标和观测进行数据聚簇；

确定每个目标与观测的关联代价，形成关联矩阵；

利用卡尔曼滤波器对已有目标进行预测；

利用最优化算法计算该关联矩阵的最优M个分配方案，形成M个关联假设和每一个关联假设的概率；

对假设进行剪枝；

输出置信度最高的假设，作为跟踪结果。

Images