[发明专利]一种基于改进的随机森林的多目标跟踪方法及装置

说明书

技术领域

本发明涉及计算机视觉领域和人工智能领域，尤其是涉及一种基于改进的随机森林的多目标跟踪方法及装置。

背景技术

近年来，随着科技的发展，公共安全视频监控系统是对城市社会治安主动掌握并打击的有力手段，如在车站、码头、机场、港口、城市交通要道及出入口等地建立公共安全视频监控系统，发挥其现代技术防范手段的优势，对维护社会政治和治安稳定意义重大。

传统的视频监控系统仅仅相当于一个视频采集浏览器的作用，监控人员需要长时间进行人工观测，仅凭主观决定是否采取应急措施，而监控者很少能长时间保持注意力。近年来智能视频监控系统得到蓬勃发展，已经有了很多成熟的应用，如对禁区闯入、跨越半线、遗留移走等行为的检测。智能视频监控系统的工作原理一般来说分为几个步骤：首先在输入的视频序列中提取出感兴趣的运动目标，然后对运动目标进行跟踪，通过跟踪运动目标识别其运动特征，最后在运动目标做出某些用户认为是异常的运动特征时，发出报警。可以看出，目标跟踪是智能视频监控系统的一个重要组成部分。

智能图像分析领域的一个重要方向就是多目标跟踪，多目标跟踪的难点和重点是多个目标交叉以后的匹配定位问题，传统的方法有meanshift,光流法等，这些方法不能有效的解决目标交叉后的重新定位问题，会出现大量匹配错误，目标丢失等问题，本发明提出一种基于随机森林的多目标跟踪系统，可以有效的降低目标交叉以后目标跟丢跟错的几率，随机森林分类算法因其执行时间快，最近几年在很多领域都有应用，但主要的应用领域是图像分类，图像识别等，本发明把其应用到图像跟踪算法中，效果相比传统的算法有明显的提升。

在多目标跟踪系统中，目前面临的一个重要问题就是多个目标交叉以后目标轨迹如何保持一致，有效的解决这个问题是后续处理如人脸识别，人流计数等的重要前提，本发明针对多目标跟踪过程的交叉问题，如行人跟踪和车辆跟踪中存在多个目标交叉以后出现跟错跟丢的问题，提出了一种基于改进的随机森林的多目标跟踪交叉的解决方案。

发明内容

为了解决上述问题，本发明提供了一种基于改进的随机森林的多目标跟踪装置，该装置包括：随机森林训练模块，用于对交叉之前的目标进行训练学习，建立目标分类器；随机森林分类模块，在下一帧用训练好的分类器对交叉后的目标区域进行分类；目标重新定位模块，对分类后的块执行聚类操作，形成目标位置区域。

进一步，所述随机森林训练模块被配置为：针对交叉前一帧目标，首先建立随机森林，将随机点对的灰度差分作为特征，在目标的每个小块随机选取两个像素点的灰度，然后计算这两个灰度的差值，如果大于0则进入右分支，否则为左分支，将交叉前目标A1，A2分别划分成若干个互相重叠的规定大小的块分别存储在Blocks1和Blocks2，然后首先针对目标A1训练分类器，把Blocks1当作正样本，把Blocks2当作负样本，使用随机森林进行训练得到每个叶子节点属于当前目标的后验概率，后验概率越大则认为当前块越有可能属于当前目标，Blocks1和Blocks2中的所有块进行训练以后，则生成目标A1的一个随机森林分类器C1，同样可以训练A2的分类器C2。

进一步，所述随机森林训练模块使用随机森林的树的高度为13，树的个数为10。

进一步，随机森林分类模块被配置为：首先使用和训练时所用块大小一样的块，在当前帧交叉后的区域通过滑动窗口方式进行扫描，在扫描的每一个位置使用分类器C1和C2进行分类，即把每个窗口通过分类器C1或C2的每一层，最终到达每一棵树的叶子节点leaf,如果此叶子节点leaf的后验概率大于分类器C1训练时生成的分类概率，则认为此块属于目标A1,如果大于分类器C2训练时生成的分类概率，则属于目标A2，分类后属于A1的块的集合为dividedBlocks1，属于A2的块的集合为dividedBlocks2。

进一步，所述目标重新定位模块被配置为：对dividedBlocks1

和

dividedBlocks2中的块分别执行聚类操作，具体为当两个块的重叠度大于阈值时则合并成一个块，当没有任何互相重叠度大于阈值的块的时候，就直接取这些块的外接矩形，即包含这些块的最大的矩形区域作为目标位置；当所有的块都相交的时候，把所有的块合并成为一个块，这个块就是目标的位置区域；当至少有两个块可以合并的时候，取这两个块的外接矩形作为目标位置区域。

本发明还提供了一种基于改进的随机森林的多目标跟踪方法，该方法包括以下步骤：

步骤（1）用于对交叉之前的目标进行训练学习，建立目标分类器；