[发明专利]一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法

说明书

本发明涉及图像检索、人工智能、深度学习技术领域，具体公开了一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法，该方法首先对宠物的头部、躯体、四肢以合适的若干个部位选区进行划分，对宠物个体以及每个局部特征部分建立多层次Adaboost分类器。然后使用建立好的ML‑Adaboost分类器识别出每帧图像中所存在的宠物个体以及对应头部、躯体、四肢部分；采用卡尔曼滤波对匹配失效的特征所处位置进行预测，以便跟踪算法能够将连续帧的图像中的宠物轨迹相关联。本发明能够在部分特征被遮挡的情况下仍然能够对宠物个体进行大致方向上的跟踪，并且逐帧匹配过程中相比于按照纹理特征相似度进行匹配的方法更加迅速和精准。

技术领域

本发明涉及图像检索、人工智能、深度学习技术领域，特别涉及一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法。

背景技术

目标跟踪是目标检测的后续，目标跟踪技术的主要目的是在多帧连续的图像中对某个特定个体进行识别并跟踪其运动轨迹。目前而言，目标跟踪在多个行业当中应用非常广泛，除了针对行人的跟踪，还包括对车辆等其它物体的跟踪。对于目标跟踪技术，跟踪目标的类别具有一定的普适性，而跟踪的准确程度和效率取决于跟踪过程中所采取的识别以及匹配措施，即如何保证能够在多帧图像中匹配出同一个目标并且刻画其运动轨迹。

一般来讲，如果同一个目标能够在多帧图像序列中的每一帧出现，那么目标的识别和跟踪将会变的非常简单，只需将每一帧图像中的目标检测出来并且在各帧之间进行关联即可。但目标的跟踪往往受环境变化的影响，在跟踪的过程中，目标往往会因为光照变化或者受到遮挡而无法进行有效识别，此时跟踪算法所用到的跟踪器就需要通过目标消失前的若干帧图像来推测目标有可能存在的位置。另外，目标的跟踪依赖于对各帧图像中目标的匹配，最简单的匹配方式便是通过对目标的像素纹理特征进行分析并且比较各帧之间所检测到的目标的相似度，但这种匹配方式往往需要建立一定的相似度标准，即匹配结果到达何种程度才能够认为各帧图像中的目标是一样的。而这种匹配方式一旦面向多个目标的多帧匹配，将会产生大量的计算开销。

与此同时，跟踪时对目标的特征检测精度也往往影响着跟踪过程的有效性，一个好的跟踪算法应保证目标的部分特征受到遮挡时仍然能够对目标进行一定的跟踪。针对上述有关现有的目标跟踪算法所存在的问题，本发明以社区场景下的宠物跟踪为例，提出了一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法。该方法对局部特征以矩形选区进行切割，使跟踪过程中的逐帧匹配精度更高，且能够在目标部分特征不可见时仍然能够对目标进行持续跟踪。为了克服以目标纹理值相似度计算为主的匹配方法的缺点，在跟踪过程中采用匈牙利指派算法对各帧之间同一目标整体以及对应的局部特征进行匹配，对于因环境变化或遮挡所导致的匹配失效帧(以下称异常帧)，采用卡尔曼滤波器根据异常帧前一帧的图像的位置信息对该异常帧中目标可能存在的位置进行预测并标定，从而对跟踪过程进行补正。另外，针对目标消失的问题，采用异常帧计数的方式来衡量，若目标的异常帧计数达到一定的阈值，则认为该目标以及超出摄像头视野之外。

发明内容

为了解决对目前的目标跟踪技术所存在的缺陷进行分析的问题，本发明的目的是提供一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法。该方法的主要应用场景是在社区复杂场景下对部分社区居民身边的宠物进行跟踪以记录其运动轨迹信息，能够为居民宠物走失问题的解决提供信息帮助。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法，包括，还包括以下步骤：步骤1：搜集社区监控下的图像，对宠物个体进行标注，并且根据HOG特征建立针对宠物个体的Adaboost分类器；

步骤2：对宠物的四肢、头部、躯干进行标注，分别对这三种部位根据HOG特征建立针对局部特征的Adaboost分类器；