[发明专利]基于改进TLD的监控视频车辆检测跟踪方法

摘要

本发明公开了一种准确性高的、鲁棒性好的基于改进TLD的监控视频车辆检测跟踪算法，该算法采用基于车辆颜色特征的分块Cam Shift跟踪器替代L‑K光流的点跟踪器，通过Cam Shift所获取的车辆区域颜色直方图实现对跟踪目标的描述，再通过捕捉区域的颜色直方图相似性度量实现对跟踪目标在前后两帧间运动量的预估；进一步结合随机森林检测器获得车辆目标的粗略位置，以及通过P‑N学习实时地对检测器进行观测和对跟踪器进行定位，从而实现有效的车辆检测跟踪。

主权项

1.一种基于改进TLD的监控视频车辆检测跟踪方法，其特征在于按照以下步骤进行：Step 1. 输入第1帧视频图像，手动标记出待跟踪的目标，令；Step 2. 初始化随机森林分类器和Cam Shift跟踪器；Step 3. 令，载入第帧视频图像，并利用随机森林分类器检测目标，利用Cam Shift 跟踪器跟踪目标并得到目标框的调整尺度；Step 4. 将随机森林分类器的检测结果与Cam Shift 跟踪器的跟踪结果相融合；Step 5. 利用P‑N 学习策略更新随机森林分类器，获得目标的位置；Step 6. 若视频已经到达最后一帧，则算法结束；否则，转入Step 3；所述Step 4如下：Step 4.1 如果随机森林分类器和Cam Shift跟踪器都有边界框作为输出，但随机森林分类器有多个相似位置被判定出来，而Cam Shift跟踪器仅找到一个目标位置，此时以空间重叠度对若干检测结果进行聚类分割；Step 4.2 如果Cam Shift跟踪器没有边界框输出，而随机森林分类器有边界框输出，那么对多个检测结果以空间重叠度的聚类进行分割，此时采用第一个聚类分割结果作为融合结果；Step 4.3 如果一个相关值较大的聚类决策结果出现，但是该决策结果与Cam Shift跟踪器结果相差较远，则采用该决策结果作为融合结果，然后对Cam Shift跟踪器重新进行初始化并丢掉原来认为正确的样本集；Step 4.4 如果Cam Shift跟踪器有边界框输出，而随机森林分类器并无边界框输出，那么采用Cam Shift跟踪器输出的结果作为融合结果；Step 4.5 如果随机森林分类器和Cam Shift跟踪器均无边界框输出，则认为目标消失。