[发明专利]一种基于姿态的监考人跟踪方法

说明书

本发明公开了一种基于姿态的监考人跟踪方法，通过分析人体上半身部分关节点之间的关系来将不同人的位置确定下来，使用深度学习生成的人体关节点数据，获得监考人位置，通过提取监考人的特征，根据特征相似度匹配前后两帧目标。本方法包括如下步骤：初始化跟踪目标，统计所有人的关节点信息，检测出监考人；匹配跟踪目标，针对前后两帧监考人提出的特征进行相似度比较，相似度最大的则是跟踪目标；自适应跟踪：及时处理目标丢失，目标错跟等情况，快速准确找回丢失目标。采用本发明所述方法，可以准确的获取考场中监考员的位置，为后续监考员动作识别提供参考。

技术领域

本发明属于基于计算机视觉和视频理解的目标跟踪技术领域，更为具体地讲，本发明涉及一种基于姿态的监考人跟踪方法。

背景技术

目前，在高考，研究生考试、自考和学业水平测试等各类考试后，需要大量的人力观看考试视频，以分析考试中的考风问题，如监考老师不作为等。当检测点特别多的时候，工作人员很容易产生视觉疲劳，造成误报漏报多、录像检索困难的问题，增加人员又会造成人力资源的严重浪费，因此需要一个考试视频大数据分析系统或方法，能自动分析考生和监考老师的行为，进而分析考试中存在的问题，而监考老师跟踪对于监考老师的行为分析和识别起到了至关重要的作用。

所谓监考人跟踪，是对视频序列中的监考老师进行检测、提取、识别和跟踪，获得监考老师的运动参数，如位置、速度、加速度和运动轨迹等，从而进行下一步的处理与分析，实现对监考老师的行为理解，以完成更高一级检测任务。

国内外有许多多目标跟踪的方法，传统跟踪方法主要有基于概率密度分布和均值漂移类方法，如mean-shift，Cam-shift等。粒子滤波类方法是基于粒子分布统计的方法，常使用卡尔曼滤波来描述目标的运动模型，基于特征点的光流跟踪，在目标上提取特征点后在下一帧计算特征点的光流匹配点来统计得到目标位置。Kalal等人提出的TLD算法采用一种在线学习机制来训练跟踪的检测器，并提出一种半监督的学习方法，利用P-N学习限制条件更新模型，是典型的利用检测跟踪思想的鉴别式目标跟踪算法。在相关滤波类跟踪算法出现后，在保证速度的同时，鲁棒性和准确性均超越了传统算法。Bolme等提出的最小输出均方误差MOSSE算法(Minimum Output Sum of Squared Error filter)首次将相关滤波用在目标跟踪领域[33]，相关滤波类目标跟踪的主要思想是两个信号越相似，其相关值越高，在目标跟踪时，就是要找到视频帧中与初始化跟踪目标响应值最大的区域。Henriques等提出CSK方法，提出基于循环矩阵的核跟踪方法解决密集采样的问题，利用傅里叶变换快速实现检测过程。后续他提出的KCF算法(High-Speed Tracking with KernelizedCorrelation Filters)使用循环矩阵采集正负样本，利用脊回归训练目标检测器，利用循环矩阵在傅里叶空间可对角化的性质有效降低了运算量。Li.Y等提出的SAMF算法基于KCF算法，将HOG、CN和灰度特征结合使用，并使用尺度池技术实现目标自适应，解决了跟踪过程中的目标尺度变化的适应问题。

近三年是深度学习技术的高速发展期，深度学习技术也被成功应用到目标跟踪领域。深度学习目标跟踪方法多采用离线训练结合在线更新的模式，但由于正负样本的模型修正问题，速度普遍较慢。王乃岩等提出的Deep Learning Tracking算法首次将深度网络应用单目标跟踪，提出“离线训练，在线微调”的思路解决训练样本不足的问题。由Nam等提出的MDNet算法同样使用网络在线更新策略，精度较高，但速度较慢。由David.H等提出的GOTURN算法(Generic Object Tracking Using Regression Networks)是第一个在跟踪速度上达到100FPS的深度学习算法，但精度偏低。在姿态跟踪方面，修宇亮等人设计一个了通过建立帧间关系并形成姿态流的优化网络，提出了一个姿态流非极大值抑制减少冗余姿态流，重新建立时间上不相交姿态的联系的想法，该方法跟踪精度高，但长时间目标跟踪过程中出现漂移，遮挡和尺度变化等问题没有得到很好的解决。

发明内容