[发明专利]一种单摄像头的行人跟踪方法

摘要

本发明公开一种单摄像头的行人跟踪方法。本发明采用分层次跟踪的策略，先把检测目标连接成稳定可靠的小段运动轨迹，然后通过匹配小段运动轨迹并填充小段运动轨迹间的空白段，形成最终的跟踪轨迹。该策略有利于解决跟踪过程中由于行人被短时间遮挡而引起的轨迹中断问题。在小段运动轨迹的构造中，本发明提出了基于级联思想的两步匹配方法，先采用高效的直方图匹配方法处理匹配难度小的情况，再进一步采用鲁棒的稀疏表示分类器解决目标表观相似引起的混淆问题。在小段运动轨迹之间的匹配中，本发明提出了基于稀疏表示的轨迹距离度量方法，对由环境变化和目标形变引起的目标表观变化情况有较好的鲁棒性。另外，本发明还提出计算量小的基于层次聚类的轨迹匹配方法，提高全局多轨迹匹配的效率。

主权项

1.一种单摄像头的行人跟踪方法，其特征在于：包括以下步骤：/nS1.对视频图像进行检测，将检测出来的行人称为观察目标；/nS2.设在当前帧t检测到有κ个观察目标，提取这κ个观察目标的特征；/nS3.设在当前帧t，同时存在若干条在当前帧t之前的运动轨迹，T＝{d^s,d^s+1,...,d^e}表示一条运动轨迹，其中s、e分别为轨迹T的起始时刻和终止时刻；对于运动轨迹通过位置约束条件选出在当前帧t可能关联的观察目标，然后计算运动轨迹T_i与可能关联的观察目标的相似度，将与运动轨迹T_i相似度最高的观察目标作为该运动轨迹的最佳观察目标；/nS4.经过步骤S3的匹配后，每个观察目标遇到以下三种情况之一：/nA.观察目标不是任何运动轨迹的的最佳观察目标，因而未能成功配对；/nB.观察目标仅是一条运动轨迹的最佳观察目标，则将该观察目标与该运动轨迹配对；/nC.观察目标是多条运动轨迹的最佳观察目标，则利用稀疏表示分类器对观察目标进行分类，利用分类器确定该观察目标所属的运动轨迹，将观察目标与该运动轨迹配对；/nS5.执行步骤S4后，对运动轨迹进行更新：/nD.对于未成功配对到运动轨迹的观察目标，新建立一条以该观察目标为起点的运动轨迹；/nE.对于成功配对到运动轨迹的观察目标，将该观察目标连接到运动轨迹的末端；/nF.对于未成功配对到观察目标的运动轨迹，则利用该运动轨迹在当前帧t之前m帧的位置线性预测出其在当前帧t的位置，并将其称之为预测目标，若预测目标和运动轨迹的相似度大于阈值，则将预测目标连接到运动轨迹的末端；/nS6.重复执行步骤S3-S5，直到遍历完图像序列，低层次数据关联过程结束；/nS7.通过时空约束条件选出有可能关联的运动轨迹对(T_a,T_b)；/nS8.采集足够数量的行人图像；若图像中行人腿部是呈靠拢状态的，则标记为正样本，否则标记为负样本；对图像中行人腿部计算梯度方向直方图，并且以此作为特征，离线训练一个能够区分图像中行人腿部是否呈靠拢状态的支持向量机；/nS9.使用支持向量机判别T_a、T_b的每张图像中行人腿部是否呈靠拢状态，并选出判别结果为正的图像作为T_a、T_b的代表性图像子集(A_a,A_b)；/nS10.对运动轨迹对(T_a,T_b)的代表性图像子集(A_a,A_b)进行图像特征提取，然后基于提取的特征使用双向重构的策略来计算运动轨迹对(T_a,T_b)的距离，若运动轨迹对(T_a,T_b)的距离大于指定阈值，则舍弃该运动轨迹对；/nS11.基于层次聚类的轨迹匹配：/n将运动轨迹视为点，将S10得到的运动轨迹对视为边，边的权值取运动轨迹对的距离，由此构成一个无向图G＝(V,E)，其中V＝{T₁,T₂,...,T_n}，E＝{(T_a，T_b，D(T_a，T_b))|D(T_a，T_b)＜θ_D且1≤a，b≤n，n为运动轨迹数；/n聚类开始时，设类别数为n，每个类只包含一个点；每个点具有一个时间跨度Z_i＝{s_i,s_i+1,...,e_i}；每个类的时间跨度为该类所有点的时间跨度的并集；然后进行如下聚类：/nG.从边集中选出权值最小的边l；/nH.若边l的两端点所属类的时间跨度没有交集，则把这两个类聚合成一个类；/nI.从边集中删除边l，若边集为空集，聚类结束，否则返回G；/nJ.聚类结束后，每一类表示一个行人目标；/nS12.轨迹修复：/n对于S11得到的每一个类，把所有观察目标的垂直坐标x、水平坐标y、检测窗口高度h分开处理，使用样条线分别拟合x-t曲线、y-t曲线、h-t曲线，以填补缺失的轨迹点并对轨迹进行平滑。/n