[发明专利]基于KCF算法的多目标行人跟踪系统及跟踪方法

说明书

本发明公开了一种基于KCF算法的多目标行人跟踪系统及跟踪方法，系统包括初始化模块、单目标跟踪KCF模块、跟踪与检测匹配模块、目标移除模块、打印模块和目标新增模块；所述初始化模块，用于初始化所有变量；所述单目标跟踪KCF模块，用于对单个目标进行跟踪；所述跟踪与检测匹配模块，对每个目标的跟踪结果与画面中的检测目标进行匹配；所述目标移除模块，用于判定目标是否已经离开画面；所述打印模块，用于对所述跟踪与检测匹配模块的匹配结果，在图上画出行人的边框以及其id信息；所述目标新增模块，用于判定检测目标是否为新出现的目标。本发明基于单目标跟踪算法KCF设计出一个多目标跟踪的系统框架，实时地提供各个目标的运动轨迹以及id信息。

技术领域

本发明属于图像处理的技术领域，涉及一种基于KCF算法的多目标行人跟踪系统及跟踪方法。

背景技术

目标跟踪算法可以自动提取和分析轨迹特征，包括单目标跟踪和多目标跟踪。单目标跟踪的研究较为广泛，当前解决的相对更好，可以通过对目标的表观和运动建模，典型的如Mean shift算法，利用卡尔曼滤波、粒子滤波进行状态预测，KCF相关性滤波算法等。而多目标跟踪问题就要复杂得多，除了单目标跟踪中存在的物体形变、背景干扰等问题因素，还需要解决目标间的关联匹配。多目标跟踪通常需要解决以下问题：1.如何判断新目标的出现、老目标的消失；2对各个跟踪轨迹与检测结果进行相似性匹配，即区分各个目标；3跟踪目标间的交互和处理；4当跟踪目标再次出现，如何进行再识别问题。现有的学术上的多目标跟踪方法大多属于“tracking-by-detection”的方法，即先得到各目标的检测结果，再与各轨迹进行链接匹配。从算法形式上来看，可分成确定性推导的跟踪和概率统计最大化的跟踪，如多假设的多目标跟踪算法（MHT），基于检测可信度的粒子滤波算法，NOMT，deep-sort等。

现有技术中的多目标跟踪算法大多设计得过于复杂、笨重，速度慢。而且这些算法的评测是在学术公开的数据集上进行，容易对这些固定数据集过于拟合，而在实际应用中效果不太理想。而在工程落地上，比起跟踪准确性的轻微提升，实际业务会更关注算法的速度与简单轻便性。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供基于KCF算法的多目标行人跟踪系统及跟踪方法，本发明主要基于单目标跟踪算法KCF设计出一个多目标跟踪的系统，实时地提供各个目标的运动轨迹以及id信息。

为了达到上述目的，本发明采用以下技术方案：

本发明基于KCF算法的多目标行人跟踪系统，包括初始化模块、单目标跟踪KCF模块、跟踪与检测匹配模块、目标移除模块、打印模块和目标新增模块；

所述初始化模块，用于初始化所有变量；

所述单目标跟踪KCF模块，用于对单个目标进行跟踪；

所述跟踪与检测匹配模块，对每个目标的跟踪结果与画面中的检测目标进行匹配，即区分各个目标，将各目标与跟踪轨迹链接；

所述目标移除模块，用于判定目标是否已经离开画面；

所述打印模块，根据之前的匹配结果，从打印队列中逐个取出检测框与其对应的目标id，并在图中打印出来，即将图中的行人用检测框框出来且添加上其对应id；

所述目标新增模块，用于判定检测目标是否为新出现的目标。

作为优选的技术方案，所属初始化模块中，初始化的变量包括将视频转换成图片形式，用行人检测器获取每帧图片的行人边框坐标，初始化模型容器、状态管理器。