[发明专利]基于混成系统的全遮挡行人跟踪方法及其装置

说明书

一种基于混成系统的全遮挡行人跟踪方法，根据行人运动特点以及在跟踪中需要学习的行人特征，构建相应的跟踪模型和辨识模型，行人未被遮挡时，跟踪模型跟踪行人的同时学习行人特征，行人被遮挡时通过模型转移规则的感知条件感知行人被遮挡并切换为辨识模型；辨识模型利用学习到的行人特征从检测结果中根据模型转移规则的辨识条件不断辨识失跟行人；在辨识模型辨识到失跟行人时，通过模型转移规则的重置条件重置跟踪行人的状态并切换到跟踪模型继续跟踪，实现存在全遮挡情况下的行人跟踪；本发明设计合理，将模型驱动和数据驱动算法利用混成系统的思想整合在一起解决了这个实际问题，大大提高了跟踪的准确度和成功率。

技术领域

本发明涉及的是一种计算机视觉监控目标跟踪领域的技术，具体是一种基于混成系统的全遮挡行人跟踪方法及其装置。

背景技术

传统的单个行人跟踪主要有两大类方法：目标表示和定位、滤波与数据关联。目前常用的行人跟踪算法为第一类方法。这类方法又可分为三小类方法：生成式跟踪、判别式跟踪和检测与跟踪混合式跟踪。生成式算法学习一个代表性模型表示跟踪目标并且利用该模型搜索使得重建误差最小的图像区域；判别式算法将跟踪问题视为一个在局部搜索区域的二分类问题，利用学习到的分类器在当前帧搜索得到与背景最具区分度的图像区域。

基于目标表示和定位的算法在最近十年来得到了长足发展。针对行人的遮挡提出了一些切实有效的算法，比如L1跟踪算法(Xue Mei and Haibin Ling,Robust VisualTracking and Vehicle Classification via Sparse Representation[J].IEEE TPAMI,November 2011,vol.33(11):2259-2271)将跟踪转化为在粒子滤波框架下稀疏近似问题。在跟踪过程中，候选目标利用目标模板和琐碎模板进行线性表示。在遮挡出现时，有限的稀疏模板将被激活但是整个系数矢量仍然保持稀疏。FCT(Kaihua Zhang,Lei Zhang andMing-Hsuan Yang,Fast compressive tracking[J].IEEE T PAMI,October 2014,vol.36(10):2002-2015)模型是基于保留图像结构的非自适应随机映射的表观模型。一个非常稀疏的量测矩阵从前景和背景目标中提取有效的压缩特征，跟踪的任务由一个压缩域中带有在线更新功能的二分类器完成。表观模型从不相关的量测中学习到了的目标和背景的差异性，可以减小背景像素的影响，从而可以处理遮挡和跟踪目标姿态变化的问题。总而言之，这两种方法利用他们具有区分性的目标表观表示和模型更新机制有效处理部分遮挡甚至严重遮挡。在遮挡出现时，他们充分利用了未被遮挡部分的目标特征跟踪目标。但是当目标被全遮挡后，如果目标的表观模型停止模板更新，那么当丢失目标重新出现在目标搜索范围内时算法能继续跟踪目标。如果模板更新出现偏差或者丢失目标出现在目标搜索范围以外，算法就会失效。

检测和跟踪结合的代表算法是TLD(Zdenek Kalal,Krystian Mikolajczyk,JiriMatas.Tracking-learning-detection[J].IEEE T PAMI,July 2012,34(7):1409-1422)算法。该算法中检测器和跟踪器同时估计目标的候选位置。当跟踪结果更有效时输出跟踪结果，当检测结果更有效时重置目标的位置。学习器利用最佳估计结果迭代训练更好的检测器。该算法对刚性目标有很好的跟踪能力，但是对于行人跟踪尤其存在全遮挡的行人跟踪效果不好。滤波和数据关联的方法中针对单目标跟踪常用的方法有PF滤波和Kalman滤波及其衍生的EKF滤波和UKF滤波。这些算法结合门技术可以实现目标丢失的可靠判断。然而当目标存在全遮挡的情况时，由于目标运动信息的丢失导致后续跟踪失效。为了实现行人遮挡前后的连续跟踪，需要1)在行人被遮挡前很好的跟踪行人并训练一些能辨识该行人的特征以便该行人在遮挡后再次出现时能被有效辨识；2)在行人被遮挡后停止基于行人状态的跟踪和对行人特征的学习；3)利用学习到的特征从检测结果辨识到失跟行人时重置跟踪状态进行跟踪。