[发明专利]一种基于算法融合的自适应、持久的运动目标识别方法

说明书

本发明公开了一种基于算法融合的自适应、持久的运动目标识别方法，属于目标识别技术领域，主要包括以下步骤：步骤S3：对后续帧图像使用KCF进行跟踪；对后续帧图像使用Kalman进行跟踪；步骤S4：将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配；在两者的多个目标框中，完全匹配的目标框，使用对应的KCF对象的结果更新KCF对象和kalman对象；不匹配的目标框，使用对应的kalman对象的结果更新KCF对象和kalman对象。本发明能够应对运动目标遮挡、变换，对光照变化不敏感，可持久的在连续视频帧中跟踪多个目标，提高了视频监视系统的实时性和有效性。

技术领域

本发明涉及目标识别技术领域，具体的说，是一种基于算法融合的自适应、持久、的运动目标识别方法。

背景技术

近年来，随着多媒体技术、视频压缩编码技术、网络通讯技术的发展，数字视频监控系统迅速发展。基于这些数据进行自动目标识别、跟踪，成为处理海量视频流、连续帧图像的智能化、高效化方式。通过算法进行自动识别、跟踪，还能够及时预警、避免安全事件，减少人力、财力的投入，有效提高视频监视系统的实时性及有效性。基于视频流、连续帧图像的识别算法有传统机器学习的分类方法SVM、基于深度学习的识别方法SSD等；跟踪算法有基于帧间差分、基于背景建模、基于光流法、基于边缘检测等方法。

全检测方式：运动目标识别使用全检测方式，即将每一帧图像都用于检测器检测，没有充分利用连续帧/视频流在时序方向上具有相似特征的信息。在目标被遮挡的情况下，由于检测器并没有保存目标历史信息，仅在当前帧中进行检测，就会漏检。

跟踪算法：跟踪算法能够很好的利用帧与帧之间具有相似特征这一信息。采用帧间图像差分、背景差分方法的，处理速度快，但是对光照变化敏感。如果光照变化剧烈，则效果不佳。核心相关滤波（KCF）算法对光照变化不敏感，但是对目标姿态改变敏感。卡尔曼滤波对光照变化不敏感、对姿态、变换不敏感，但是对目标运动预测效果不佳。因此，单一的跟踪算法很难解决复杂背景下稳定跟踪的问题。

检测与跟踪结合的方式：使用检测器检测出目标的初始框，然后用跟踪器进行跟踪。如果过度依赖检测器的结果，那么当检测器未能检出目标时，则可能漏检。在后续帧的运动目标识别中，由于跟踪器跟踪的是检测器返回的目标框，则后续帧也会未能识别出对应的运动目标。如果过度依赖跟踪器，当画面中出现了新的目标时，跟踪器未能识别出。并且，检测和跟踪对系统资源的占用并不能很好的利用。不同的硬件平台，资源、算力不同，检测和跟踪的间隔往往设定为固定间隔。

发明内容

本发明的目的在于解决以上技术问题，提供一种基于算法融合的自适应、持久的运动目标识别方法，能够应对运动目标遮挡、变换，对光照变化不敏感，可持久的在连续视频帧中跟踪多个目标，提高了视频监视系统的实时性和有效性。

本发明通过下述技术方案实现：

一种基于算法融合的自适应、持久的运动目标识别方法，主要包括以下步骤：

步骤S3：对后续帧图像使用KCF进行跟踪；对后续帧图像使用Kalman进行跟踪；

步骤S4：将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配；在两者的多个目标框中，完全匹配的目标框，使用对应的KCF对象的结果更新KCF对象和kalman对象；不匹配的目标框，使用对应的kalman对象的结果更新KCF对象和kalman对象。

为了更好的对本发明进行说明，进一步地，在步骤S3之前还包括以下步骤：

步骤S1：初始化跟踪器，使用检测器检测第一帧图像，得到多个运动目标的初始框；

步骤S2：使用多个初始框初始化多个KCF对象，对象数目和目标数目一致；使用多个初始框初始化多个kalman对象，对象数目和目标数目一致。

为了更好的对本发明进行说明，进一步地，还包括自适应的步骤：