[发明专利]一种单摄像头的商店客人在线跟踪算法

说明书

本发明公开了一种单摄像头的商店客人在线跟踪算法，涉及图像处理领域。本发明包括如下步骤：步骤S01；实时获取单个摄像头拍摄的视屏图像并进行存储；步骤S02：利用预先深度学习获得的数据对视频流进行目标检测并获取每一个行人的包围盒；步骤S03：对每个检测出来的行人分配ID并持续进行追踪。本发明通过实用RCNN作为深度学习模型进行训练，对每一帧视频流进行目标检测并获取每一个行人的包围盒，并针对行人相互遮挡的问题进行了优化改进，提高了视频人物追踪的准确率，降低了成本。

技术领域

本发明属于图像处理领域，特别是涉及一种单摄像头的商店客人在线跟踪算法。

背景技术

在日常生活中，很多商店会有摄像头这一设施，用来监控来往的顾客。然而，摄像头只能捕获一系列的图像并储存至电脑中，具体去识别这些来往的人仍旧需要人来手动去翻查视频，仍然需要花费大量的时间去对视频的内容进行辨别，这是一件非常浪费人力的事情。

而在深度学习出现后，机器学习能够代替人力完成很多原本很难实现的问题，于是我们便想到利用计算机来对摄像头捕获的图像进行分析，对图像中的人物进行追踪，从而大大降低识别这些视频的人力成本。

发明内容

本发明的目的在于提供一种单摄像头的商店客人在线跟踪算法，通过实用RCNN作为深度学习模型进行训练，对每一帧视频流进行目标检测并获取每一个行人的包围盒，并针对行人相互遮挡的问题提出了优化改进，解决了现有的视频人物追踪困难、成本高的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种单摄像头的商店客人在线跟踪算法，包括如下步骤：

步骤S01；实时获取单个摄像头拍摄的视屏图像并进行存储；

步骤S02：利用预先深度学习获得的数据对视频流进行目标检测并获取每一个行人的包围盒；

步骤S03：对每个检测出来的行人分配ID并持续进行追踪；

其中，步骤S02中，对视频流的每一帧进行目标检测，得到每一帧内的目标的BBox区域，建立tracker对应每一个行人，目标的状态表示用公式：

式中，u,v为目标的BBox中心坐标，s为BBox的尺寸，r为BBox的长宽比，为目标行人的速度，根据每帧根据检测到的目标，计算与各个tracker的重合比例更新对应的tracker状态；

其中，更新对应的tracker状态时，会遇到以下三种情况之一：

情况A、当目标检测中得到的BBox与当前所有trackerIOU值均小于0.3时，新建tracker并与其绑定；

情况B、当目标检测中得到的BBox与当前所有trackerIOU值均不小于0.3时，该BBox不与tracker绑定；

情况C、当tracker有多帧未有绑定时，则删除tracker。

优选地，所述情况C中，若tracker当前帧没有BBox与其绑定，则：若tracker上次出现在边缘部分，且tracker消失了k帧，则这个tracker出栈；若tracker上次出现在内部，且tracker消失了h＝10k帧，则这个tracker出栈。

优选地，所述步骤S02中，当行人之间出现互相遮挡，则对每一个tracker增加一个属性pair；对于当前帧中没有被match的tracker，若tracker在内部且没有pair，则在有match的trackers中寻找IOU最大的tracker；当IOU大于0.3时，则先设其为pair；再之后的视频帧中，新的BBox跟IOU最大的tracker进行比较，除了比较自身预估的位置，还需比较pair_tracker的预估BBox，并获取最大IOU的值。