一种运动目标轨迹追踪方法技术

本发明专利技术公开了一种运动目标轨迹追踪方法，首先获取实时监控视频信息，对其进行预处理，然后每帧图片划分成S*S个区域通过深度学习的CNNs进行检测，并获得检测出目标的目标类型和目标坐标；接着通过距离匹配获取各个目标的轨迹信息，通过timeout移除离开追踪区域目标的坐标轨迹链表；最后利用各个目标的坐标轨迹链表提取出其运动特征后输出坐标轨迹链表和运动特征。本发明专利技术不需要人工设计需要检测目标的特征，仅仅需要通过机器训练，就能够很好的目标检测识别能力。

【技术实现步骤摘要】

本专利技术涉及模式识别领域中广泛应用的运动目标轨迹追踪，尤其涉及一种运动目标轨迹追踪方法。
技术介绍
随着城市化的进程发展，机动车和驾驶人员数量急剧增加。拥挤路段频发的交通事故，成为了危害人们日常生活和财产安全的一个严重问题。道路监控和流量监测成为了现代交通基础设施必不可少的投入。因此智能交通监控系统需要作为改善道路交通状况的重要目标。对于交通流量监测和交通违规的研究是关于城市交通安全分析的一项重要关键技术，对解决道路交通安全问题有着重要的作用。在交通流量监测和交通违规研究领域，包括了行人，车辆运动物体识别，运动物体追踪，违规驾驶等行为监测。传统的轨迹追踪方式需要预先指定特定目标，并且在遇到目标被遮掩，不同视角下的目标和不同光照背景下的目标不能准确追踪轨迹。卷积神经网络CNNs(Convolutional Neural Networks)在计算机图像处理和识别领域获得显著成就，能够达到99％的物体识别率，完全能够适应交通领域行人，车辆识别监测。并且传统物体追踪方法在应对复杂场景，不断变化的光强和障碍物的遮挡下效果并不是很理想。而CNNs所具有的对观测对象平移、缩放和旋转的不变形，则能够很好的应对复杂场景，不断变化的光强，观察视角变化。从而能够很好的胜任复杂交通环境下的行人，车辆识别。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种运动目标轨迹追踪方法。本专利技术为解决上述技术问题采用以下技术方案：一种运动目标轨迹追踪方法，包含如下步骤：步骤1)，获取实时监控视频信息；步骤2)，对获取的视频进行预处理，即通过crop layer调节其数据分辨率使其每帧图片都适用于后续处理；步骤3)，将经过预处理后视频的每帧图片划分成S*S个区域，并对每一个区域通过深度学习的CNNs进行检测，并获得检测出目标的目标类型和目标坐标，所述S为大于等于3的自然数；步骤4)，距离匹配，使用坐标轨迹链表来记录各个目标的轨迹信息；对于视频上一帧图片中所检测出的每一个目标，分别求得其与视频下一帧图片中所检测出的各个目标之间的偏移距离，并将其中最小的偏移距离与预设的距离阈值进行比较，如果该最小的偏移距离小于等于预设的距离阈值，则建立该最小的偏移距离对应两个目标之间的轨迹关系；如果该最小的偏移距离大于预设的距离阈值，则在视频下一帧图片中认为没有检测到该最小的偏移距离在视频上一帧图片中对应的目标，将该最小的偏移距离在视频下一帧图片中对应目标的坐标作为该目标的坐标链表的初始坐标点；步骤5)，当检测出的目标在预设的时间阈值t毫秒内未被再次检测出来，则认为该目标已经离开追踪区域，移除该目标的坐标轨迹链表；步骤6)，利用各个目标的坐标轨迹链表，提取出其运动特征：行进方向、速度和目标类型；步骤7)，输出各个目标的坐标轨迹链表和运动特征。作为本专利技术一种运动目标轨迹追踪方法进一步的优化方案，步骤3)中所述深度学习的CNNs采用以下代价函数进行训练： J = λ c o o r d Σ i = 0 S 2 Σ j = 0 B I i j o b j ( x i - x ^ i ) 2 + ( y i + y ^ i ) 2 + λ c o o r d Σ i = 0 s 2 Σ 本文档来自技高网...

【技术保护点】
一种运动目标轨迹追踪方法，其特征在于，包含如下步骤：步骤1)，获取实时监控视频信息；步骤2)，对获取的视频进行预处理，即通过crop layer调节其数据分辨率使其每帧图片都适用于后续处理；步骤3)，将经过预处理后视频的每帧图片划分成S*S个区域，并对每一个区域通过深度学习的CNNs进行检测，并获得检测出目标的目标类型和目标坐标，所述S为大于等于3的自然数；步骤4)，距离匹配，使用坐标轨迹链表来记录各个目标的轨迹信息；对于视频上一帧图片中所检测出的每一个目标，分别求得其与视频下一帧图片中所检测出的各个目标之间的偏移距离，并将其中最小的偏移距离与预设的距离阈值进行比较，如果该最小的偏移距离小于等于预设的距离阈值，则建立该最小的偏移距离对应两个目标之间的轨迹关系；如果该最小的偏移距离大于预设的距离阈值，则在视频下一帧图片中认为没有检测到该最小的偏移距离在视频上一帧图片中对应的目标，将该最小的偏移距离在视频下一帧图片中对应目标的坐标作为该目标的坐标链表的初始坐标点；步骤5)，当检测出的目标在预设的时间阈值t毫秒内未被再次检测出来，则认为该目标已经离开追踪区域，移除该目标的坐标轨迹链表；步骤6)，利用各个目标的坐标轨迹链表，提取出其运动特征：行进方向、速度和目标类型；步骤7)，输出各个目标的坐标轨迹链表和运动特征。...

【技术特征摘要】
1.一种运动目标轨迹追踪方法，其特征在于，包含如下步骤：步骤1)，获取实时监控视频信息；步骤2)，对获取的视频进行预处理，即通过crop layer调节其数据分辨率使其每帧图片都适用于后续处理；步骤3)，将经过预处理后视频的每帧图片划分成S*S个区域，并对每一个区域通过深度学习的CNNs进行检测，并获得检测出目标的目标类型和目标坐标，所述S为大于等于3的自然数；步骤4)，距离匹配，使用坐标轨迹链表来记录各个目标的轨迹信息；对于视频上一帧图片中所检测出的每一个目标，分别求得其与视频下一帧图片中所检测出的各个目标之间的偏移距离，并将其中最小的偏移距离与预设的距离阈值进行比较，如果该最小的偏移距离小于等于预设的距离阈值，则建立该最小的偏移距离对应两个目标之间的轨迹关系；如果该最小的偏移距离大于预设的距离阈值，则在视频下一帧图片中认为没有检测到该最小的偏移距离在视频上一帧图片中对应的目标，将该最小的偏移距离在视频下一帧图片中对应目标的坐标作为该目标的坐标链表的初始坐标点；步骤5)，当检测出的目标在预设的时间阈值t毫秒内未被再次检测出来，则认为该目标已经离开追踪区域，移除该目标的坐标轨迹链表；步骤6)，利用各个目标的坐标轨迹链表，提取出其运动特征：行进方向、速度和目标类型；步骤7)，输出各个目标的坐标轨迹链表和运动特征。2.根据权利要求1所述的运动目标轨迹追踪方法，其特征在于，步骤3)中所述深度学习的CNNs采用以下代价函数进行训练： J = λ c o o r d Σ i = 0 S 2 Σ j = 0 B I i j o b j ( x i - x i ^ ) 2 + ( y i - y ^ i ) 2 + λ c o o r d Σ i = 0 s 2 Σ j = 0 B I i j o b j ( w i - w i ^ ) 2 + ( h i - h ^ ...

【专利技术属性】
技术研发人员：张磊，孙知信，陈帅霖，
申请(专利权)人：南京邮电大学盐城大数据研究院有限公司，
类型：发明
国别省市：江苏;32