[发明专利]基于结构化数据模型的分布式目标跟踪方法

说明书

本发明公开了基于结构化数据模型的分布式目标跟踪方法，该方法可应用于分布式目标跟踪系统中，基于单目目标跟踪结果以结构化数据接口形式进行通信，提升跟踪器综合性能。方法在单目目标跟踪前端对现场图像进行采集并提取视觉特征，在此基础上结合动态条件随机场和可变部分模型对目标的整体和局部同时进行跟踪，并从跟踪结果中提炼结构化数据接口用于前端和服务器之间的通信。服务器部分接收到前端的结构化数据以后，在不同的前端数据之间进行数据融合，并以在线隐支持向量机的方式学习新的跟踪模型，将更新后的模型同样以结构化数据的方式下发，帮助前端提升目标跟踪的总体性能。

技术领域

本发明涉及基于结构化数据模型实现的分布式视频目标跟踪方法，属于数据图像处理技术领域。

背景技术

受到传统视频采集硬件的性能所限，现有的视频监控通常都采用前端多个摄像头拍摄视频，后端服务器部署处理算法分析视频的方案。该方法的优势在于成本低廉、容易部署。然而随着用户对视频监控性能需求的提高，该方法的缺陷日益明显：首先，长时间进行高清视频流通信带来的通信成本使大规模部署视频监控系统变得很困难；其次，对于实时监控而言，传统方法结构不合理、分工不明确，服务器承受压力大，系统整体效率偏低。因此基于嵌入式视频监控前端和数据处理中心模式的新型分布式视频监控方案受到了广泛关注。

目前，国内外对视频目标跟踪技术的研究体现在以下几个方面：首先，在均值滤波、粒子滤波等经典的目标跟踪算法框架下综合更加鲁棒的跟踪线索，提升算法效果；其次将目标跟踪方法和离线目标检测方法结合，提高跟踪系统性能；利用稀疏分解以及部分特征等新技术解决诸如尺寸变换、目标遮挡等实际的挑战性问题。以上这些技术在提升视频目标跟踪器性能的同时，对于硬件处理性能、网络通信带宽也提出了更高的要求。而本发明基于现场可编程逻辑门阵列实现嵌入式的目标跟踪前端系统，将视频采集和视频的现场处理集成于专用硬件上，将模型在线学习、更新以及管理等复杂功能部署于后端服务器上，很好的解决了复杂目标跟踪方法的大规模部署以及执行成本问题。

发明内容

本发明目的在于针对分布式目标跟踪系统中通信效率低和计算负荷不合理等问题，提出基于结构化数据交换的分布式目标跟踪方法。该方法以前端结构化数据为基础，通过少量的前后端信息交换实现目标跟踪和模型更新的任务分离，降低分布式目标跟踪的通信成本，提高了部署的灵活度。

为解决上述技术问题，本发明所采用的技术方案包含以下步骤：

步骤A，图像采集，基于梯度直方图提取图像特征：

在两种分辨率上对采集到的图像分别提取梯度直方图特征，可得到节点的原始图像特征φ(H,x_j)，其中H表示梯度直方图特征金字塔，j∈0,...,n。

步骤B，基于可变部分模型提取结构化目标信息：

可变部分模型方法的原理在于将当前帧上目标某一视角的外观视作由一个根节点x₀和n个可形变部分节点(x₁,...,x_n)构成的图模型。由于部分是可形变的，对于部分节点采用相对于模型锚点(Anchor)的位移来衡量形变。将根滤波器(Root Filter)和部分滤波器(Part Filter)分别计算得分并通过动态规划方法计算形变惩罚，最后即可得到该视角模型出现在某一位置假设可信度的线性表达形式：

其中分别为模型的滤波器参数和结构化参数，b_c为一阶偏移量，φ(H,x_n)为提取的梯度直方图特征。

步骤C，基于动态条件随机场进行单目相机目标跟踪：

步骤C1，将星状的可变部分模型视为条件随机场，两帧图像间的目标条件随机场模型就可以建模为一个动态条件随机场。该随机场由模型滤波后的结果构成的单势函数，节点的形变惩罚构成的空间互势函数，以及节点帧间的时域互势函数构成。