[发明专利]一种基于分形特征估计的多目标视频跟踪系统

说明书

本发明公开了一种基于分形特征估计的多目标视频跟踪系统，包括图像的局部分形特征估计模块、观测模型建立和似然函数计算模块以及多贝努利滤波器跟踪模块；所述局部分形特征估计模块计算每一帧图像的局部分形特征并形成新的Hurst指数图像；所述观测模型建立和似然函数计算模块利用局部分形特征建立观测模型和Hurst指数计算似然函数；所述多贝努利滤波器跟踪模块对Hurst指数图像中的多个目标实施跟踪。本发明在传感器静止或移动条件下，均能对多个目标进行正确跟踪，且对目标进入与离开、目标部分被遮挡、目标数量变化等复杂跟踪都具有较好的鲁棒性。

技术领域

本发明涉及视频跟踪技术领域，具体涉及一种基于分形特征估计 的多目标视频跟踪系统。

背景技术

多目标视频跟踪是计算机视觉应用领域的一个热点问题。目前， 多目标视频跟踪方法大致可以分为三类。第一类称为基于检测的视频 跟踪方法，即对视频中的每一帧图像进行目标检测，然后利用数据关 联或标记的方法区分和归类目标，但此类方法易丢失目标和产出过多 的虚警目标。第二类称为检测与滤波的混合方法，利用滤波算法处理 已检测的和未被检测的目标信息。此类方法同样需要利用数据关联方 法确定目标状态。第三类为基于非检测的方法，如基于色彩的可视跟 踪法、贝叶斯存在过程法、多模态分布法等，这类方法直接利用图像 序列中的时空信息对多个目标进行跟踪，避免了信息丢失和数据关联，显示出了广阔的应用前景。

近年来，Mahler的基于有限集统计理论(Finite set statistics, FISST)的随机有限集(Random finite sets,RFS)方法，作为一种贝 叶斯框架下的多目标滤波理论，具有在单个目标状态空间操作和避免 数据关联的优势，如概率假设密度(Probabilityhypothesis density, PHD)滤波算法、势概率假设密度(Cardinalized PHD,CPHD)滤波算法 以及多目标多贝努利(Multi-target multi-Bernoulli,MeMBer)滤波 算法，尤其是Vo团队利用序贯蒙特卡洛(Sequential Monte Carlo, SMC)和高斯和(Gaussian mixture,GM)的方法近似实现了上述滤波算 法，引起了广泛关注并成功应用于视频跟踪领域。基于RFS的多目标 视频跟踪算法作为一种非检测跟踪方法，其性能很大程度上取决于观 测模型的建立和似然函数的计算。Hoseinnezhad提出了两种基于多 贝努利的视频跟踪方法，其中一种方法首先将目标用一个矩形块表 示，然后利用矩形块的HSV直方图建立观测模型和利用直方图的核密 度估计计算似然函数。但该方法在计算似然函数时需要利用图像数据库进行训练。另外一种方法称为基于背景消除的多贝努利视频跟踪方 法，该方法的核心是先按照运动特性的时间间隔进行图像背景消除， 然后将经过背景消除的图像序列作为多贝努利滤波器的输入，取得了 较好的跟踪效果。不足之处在于该方法利用最初设定的图像序列计算 得到背景消除后的目标完整信息，不能对初始图像序列进行有效跟 踪。林庆等提出一种混合粒子PHD滤波的多目标视频跟踪算法，首先 用K均值算法对粒子进行空间分布聚类，给各粒子群附加身份标签， 然后采用相互独立的各分量粒子滤波跟踪各目标。但利用HSV颜色直 方图建立的观测模型仅依据模型之间的距离。

本发明提出一种基于分形特征估计的多目标视频跟踪系统，实现 思路是将每一帧图像转换为分形特征图像并作为多贝努利滤波器的 输入，并在跟踪过程中自适应控制目标状态和新生目标区域，优点是 直接利用图像的局部分形特征建立观测模型和计算似然函数，能够较 为快速地对图像序列中的多个目标进行跟踪。

发明内容

1、发明目的。

本发明旨在解决在多环境传感器动静条件下多目标的视频跟踪 问题，即针对不同的跟踪场景，在无需目标检测模块，无需大量的目 标训练样本的前提下，通过分形特征估计结果建立较为合理的观测模 型和似然函数计算模型，解决多目标的视频跟踪问题。

2、本发明所采用的技术方案。