基于提升直觉模糊树的目标跟踪方法及装置制造方法及图纸

本发明专利技术公开了一种基于提升直觉模糊树的目标跟踪方法，包括：对当前视频帧进行运动检测，检测得到的可能运动对象作为观测结果；对观测结果和目标的预测结果进行关联，目标包括可靠目标及临时目标；对未被关联的观测结果和预测结果进行轨迹管理，其中包括对未被关联的可靠目标的预测结果进行在线跟踪获取候选结果，利用未被关联的可靠目标的提升直觉模糊树对候选结果进行匹配；利用关联结果和匹配结果获取当前帧的目标的轨迹，利用当前帧的目标的轨迹进行预测，并为关联成功或匹配成功的可靠目标更新提升直觉模糊树。本发明专利技术还公开了一种基于提升直觉模糊树的目标跟踪装置。通过上述方式，本发明专利技术能够在发生漏检的情况下改善目标跟踪的性能。

【技术实现步骤摘要】
基于提升直觉模糊树的目标跟踪方法及装置
本专利技术涉及目标跟踪领域，特别是涉及一种基于提升直觉模糊树的目标跟踪方法及装置。
技术介绍
在线目标跟踪是计算机视觉中的一个热点研究课题，其对于动作识别、行为分析、场景理解等高层次的视觉研究具有重要意义，并且在视频监控、智能机器人、人机交互等领域有着广泛的应用前景。在复杂场景下，由于目标自身形变、目标间相互遮挡或者背景静物对目标的遮挡等因素的影响，将难以避免的产生漏检。此时，漏检目标找不到与其关联的检测到的观测对象，无法通过数据关联为这些漏检目标的轨迹更新找到有效的信息，轨迹精度降低。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于提升直觉模糊树的目标跟踪方法及装置，能够解决现有技术中漏检目标的轨迹精度降低的问题。为了解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于提升直觉模糊树的目标跟踪方法，包括：对当前视频帧进行运动检测，检测得到的可能运动对象作为观测结果；对观测结果和目标的预测结果进行关联，其中预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的，目标包括可靠目标及临时目标；对未被关联的观测结果和预测结果进行轨迹管理，其中包括对未被关联的可靠目标的预测结果进行在线跟踪获取候选结果，利用未被关联的可靠目标的提升直觉模糊树对候选结果进行匹配；利用关联结果和匹配结果获取当前帧的目标的轨迹，其中包括对匹配成功的可靠目标利用其匹配成功的候选结果对其预测结果进行滤波更新以获取轨迹；利用当前帧的目标的轨迹进行预测，并为关联成功或匹配成功的可靠目标更新提升直觉模糊树。为了解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种基于提升直觉模糊树的目标跟踪装置，包括：处理器和摄像机，处理器连接摄像机；处理器用于对从摄像机获取的当前视频帧进行运动检测，检测得到的可能运动对象作为观测结果；对观测结果和目标的预测结果进行关联，其中预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的，目标包括可靠目标及临时目标；对未被关联的观测结果和预测结果进行轨迹管理，其中包括对未被关联的可靠目标的预测结果进行在线跟踪获取候选结果，利用未被关联的可靠目标的提升直觉模糊树对候选结果进行匹配；利用关联结果和匹配结果获取当前帧的目标的轨迹，其中包括对匹配成功的可靠目标利用其匹配成功的候选结果对其预测结果进行滤波更新以获取轨迹；利用当前帧的目标的轨迹进行预测，并为关联成功或匹配成功的可靠目标更新提升直觉模糊树。本专利技术的有益效果是：通过对未被关联的可靠目标的预测结果进行在线跟踪获取候选结果，利用未被关联的可靠目标的提升直觉模糊树对候选结果进行匹配，如果匹配成功，则利用匹配成功的候选结果对该可靠目标的预测结果进行滤波更新以获取其轨迹，使得在发生漏检，目标找不到关联的观测对象的情况下，可以使用提升直觉模糊树找出与其匹配的可用于其轨迹滤波更新的候选结果，从而提高目标轨迹的精度，改善目标跟踪的性能。附图说明图1是本专利技术基于提升直觉模糊树的目标跟踪方法第一实施例的流程图；图2是本专利技术基于提升直觉模糊树的目标跟踪方法第二实施例一个例子中分支节点的硬判决函数和模糊判决函数的示意图；图3是本专利技术基于提升直觉模糊树的目标跟踪方法第二实施例一个例子中分支节点的模糊判决函数和直觉模糊判决函数的示意图；图4是本专利技术基于提升直觉模糊树的目标跟踪方法第三实施例的流程图；图5是本专利技术基于提升直觉模糊树的目标跟踪方法第四实施例的流程图；图6是本专利技术基于提升直觉模糊树的目标跟踪方法第四实施例中特征选择准则训练的流程图；图7是本专利技术基于提升直觉模糊树的目标跟踪方法第五实施例的流程图；图8是本专利技术基于提升直觉模糊树的目标跟踪方法第六实施例的流程图；图9是本专利技术基于提升直觉模糊树的目标跟踪方法第七实施例的流程图；图10是本专利技术基于提升直觉模糊树的目标跟踪装置第一实施例的结构示意图；图11是本专利技术基于提升直觉模糊树的目标跟踪装置第二实施例的结构示意图。具体实施方式如图1所示，本专利技术基于提升直觉模糊树的目标跟踪方法第一实施例包括：S1：对当前视频帧进行运动检测。使用帧差法、光流法、背景减除法等运动检测算法对当前视频帧进行运动检测，以从中找出属于运动前景的像素，辅以中值滤波和简单的形态学处理，最终得到当前视频帧中的可能运动对象作为观测对象。一个观测对象是当前视频帧中的一个图像块，一般而言，观测对象的形状为矩形。S2：对观测结果和目标的预测结果进行关联。目标包括稳定跟踪的可靠目标及不稳定跟踪的临时目标。本步骤中的目标状态，即每个目标被标记为可靠目标还是临时目标，是由前一视频帧的轨迹管理决定的。临时目标包括在前一视频帧为未被关联且不是匹配成功的候选结果的观测结果建立的新的目标，以及连续关联成功的帧数小于或者等于第一帧数阈值且未被删除的目标。可靠目标包括连续关联成功的帧数大于第一帧数阈值且未被删除的目标。目标的预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的。S3：对未被关联的观测结果和预测结果进行轨迹管理，其中包括对于未被关联的可靠目标，对其预测结果进行在线跟踪获取候选结果，利用未被关联的可靠目标的提升直觉模糊树对候选结果进行匹配。具体而言，在可靠目标的预测结果位置及其周围指定范围内选择若干个图像块作为候选结果，图像块的大小一般与预测结果的大小一致，指定范围的大小及候选结果的数量一般由经验值决定。候选结果可以包括在指定范围内的未被关联的观测结果。相邻的候选结果可以彼此不重叠，也可以部分重叠。使用未被关联的可靠目标的提升直觉模糊树作为分类器，该分类器的分类结果有可靠目标和非可靠目标两类。计算候选结果作为测试样本隶属于可靠目标类别的直觉模糊隶属度。若该直觉模糊隶属度大于第一阈值η1，且候选结果与可靠目标的预测结果的外观特征相似性度量大于第二阈值η2，则匹配成功，0.5<η1<1且第一阈值η1大于第六阈值，0.5<η2<1。当候选结果的数量大于一时，在分别为每个候选结果计算其作为测试样本隶属于可靠目标类别的直觉模糊隶属度之后，可以分别判断每个候选结果的直觉模糊隶属度是否大于第一阈值η1，与预测结果的外观特征相似性度量是否大于第二阈值η2，如果有至少两个候选结果满足前述两个条件，则选择其中直觉模糊隶属度最大的一个(直觉模糊隶属度相同则选择外观特征相似性度量最大的一个)作为匹配成功的候选结果用于后续的目标状态和提升直觉模糊树的更新；当然，也可以从候选结果中选择直觉模糊隶属度最大的一个的候选目标，然后判断选中的候选结果的直觉模糊隶属度是否大于第一阈值η1，与预测结果的外观特征相似性度量是否大于第二阈值η2，如果满足前述两个条件则匹配成功。此外，根据关联结果和匹配结果对目标状态进行更新，包括目标的建立、删除和状态修改。具体包括：为未被关联且不是匹配成功的候选结果的观测结果建立新的临时目标；将连续关联成功的帧数大于第一帧数阈值λ1的临时目标变为可靠目标；删除连续关联不成功的帧数大于第二帧数阈值λ2的临时目标；删除连续关联不成功的帧数大于第三帧数阈值λ3，且匹配结果为匹配失败的可靠目标，匹配结果为匹配失败是指利用提升直觉模糊树计算候选结果作为测试样本隶属于可靠目标类别的直觉模糊隶属度小于或者等于第六阈值η6，本文档来自技高网...

【技术保护点】
一种基于提升直觉模糊树的目标跟踪方法，其特征在于，包括：对当前视频帧进行运动检测，检测得到的可能运动对象作为观测结果；对所述观测结果和目标的预测结果进行关联，其中所述预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的，所述目标包括可靠目标及临时目标；对未被关联的所述观测结果和所述预测结果进行轨迹管理，其中包括对未被关联的所述可靠目标的预测结果进行在线跟踪获取候选结果，利用所述未被关联的所述可靠目标的提升直觉模糊树对所述候选结果进行匹配；利用关联结果和匹配结果获取当前帧的目标的轨迹，其中包括对匹配成功的所述可靠目标利用其匹配成功的所述候选结果对其预测结果进行滤波更新以获取所述轨迹；利用所述当前帧的目标的轨迹进行预测，并为关联成功或匹配成功的所述可靠目标更新所述提升直觉模糊树。

【技术特征摘要】
1.一种基于提升直觉模糊树的目标跟踪方法，其特征在于，包括：对当前视频帧进行运动检测，检测得到的可能运动对象作为观测结果；对所述观测结果和目标的预测结果进行关联，其中所述预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的，所述目标包括可靠目标及临时目标；对未被关联的所述观测结果和所述预测结果进行轨迹管理，其中包括对未被关联的所述可靠目标的预测结果进行在线跟踪获取候选结果，利用所述未被关联的所述可靠目标的提升直觉模糊树对所述候选结果进行匹配；利用关联结果和匹配结果获取当前帧的目标的轨迹，其中包括对匹配成功的所述可靠目标利用其匹配成功的所述候选结果对其预测结果进行滤波更新以获取所述轨迹；利用所述当前帧的目标的轨迹进行预测，并为关联成功或匹配成功的所述可靠目标更新所述提升直觉模糊树。2.根据权利要求1所述的方法，其特征在于，所述对未被关联的所述可靠目标的预测结果进行在线跟踪获取候选结果包括：在所述可靠目标的预测结果位置及其周围指定范围内选择若干个图像块作为所述候选结果，所述候选结果可以包括未被关联的所述观测结果；所述利用所述未被关联的所述可靠目标的提升直觉模糊树对所述候选结果进行匹配包括：利用所述提升直觉模糊树计算所述候选结果作为测试样本的分类预测值；若所述分类预测值大于第一阈值，且所述候选结果与所述可靠目标的预测结果的外观特征相似性度量大于第二阈值，则匹配成功。3.根据权利要求2所述的方法，其特征在于，所述候选结果作为测试样本的分类预测值fa(xc)定义为：其中xc为所述测试样本，T为所述提升直觉模糊树中浅层直觉模糊决策树的个数，at为第t个所述浅层直觉模糊决策树的权重；Gt(xc)为第t个所述浅层直觉模糊决策树对所述测试样本xc进行分类得到的分类结果，定义为：其中Gt(xc)＝1表示所述测试样本属于所述可靠目标类别，Gt(xc)＝-1表示所述测试样本属于非所述可靠目标类别，φt(c＝m|xc)为利用第t个所述浅层直觉模糊决策树计算得到的所述测试样本xc隶属于所述可靠目标类别m的直觉模糊隶属度，定义为：c为所述测试样本的类别标签，m为所述可靠目标类别，在所述第t个所述浅层直觉模糊决策树中，Bt为所述测试样本xc到达的所有叶子节点构成的集合，b为所述测试样本xc到达的一个叶子节点，h％(xc)为将所述叶子节点b作为当前节点时所述测试样本xc隶属于所述当前节点的直觉模糊隶属度，为所述叶子节点b预测类别为m的置信度，定义为：其中xj为到达所述叶子节点b的训练样本，共有nb个，cj为所述训练样本xj的类别标签，δ(·)为狄拉克函数，h％(xj)为将所述叶子节点b作为当前节点时所述训练样本xj隶属于所述当前节点的直觉模糊隶属度；其中样本x隶属于当前节点的直觉模糊隶属度定义h％(x)定义为：所述样本包括所述测试样本和所述训练样本，若所述当前节点为根节点，当所述样本x为所述测试样本时，h％(x)＝1，当所述样本x为所述训练样本时，h％(x)等于所述样本x的权值；其中D为所述样本到达所述当前节点之前经过的所有分支节点的集合，d为所述集合中的一个分支节点，l表示所述分支节点的输出左分支，r表示所述分支节点的输出右分支，为所述样本到达所述当前节点所经过的隶属于所述分支节点d的输出路径的直觉模糊隶属度，定义为：其中为所述样本隶属于所述分支节点d的输出左分支的直觉模糊隶属度，为所述样本隶属于所述分支节点d的输出右分支的直觉模糊隶属度，h(xd)为所述分支节点d的直觉模糊输出判决函数，定义为：其中xd为所述分支节点的所述样本的特征值，k为算子次数，为正整数；g(xd)为S型函数，定义为：其中τ为特征门限值，θ为用于控制所述S型函数倾斜程度的常量参数，σ为所述特征值的标准差；π(·)为模糊直觉指数，定义为：其中λ为常量参数，0<λ<1，当xd≥τ时，z＝g(xd)，当xd<τ时，z＝1-g(xd)；α为从模糊直觉指数中提取隶属信息的尺度因子，β为从模糊直觉指数中提取非隶属信息的尺度因子，定义为：其中所述算子次数k和所述特征门限值τ的取值通过更新所述浅层直觉模糊决策树过程中的特征选择准则训练确定。4.根据权利要求1所述的方法，其特征在于，所述为关联成功或匹配成功的所述可靠目标更新所述提升直觉模糊树包括：将所述关联成功或匹配成功的所述可靠目标在所述当前视频帧中对应的目标图像块作为新的正训练样本加入正训练样本集中，在所述正训练样本周围指定范围内选择若干个图像块作为负训练样本；初始化所述正训练样本集和所述负训练样本组成的训练样本集合中的训练样本的权值；以所述训练样本的权值作为所述训练样本隶属于根节点的直觉模糊隶属度，利用所述训练样本集合生成浅层直觉模糊决策树，计算所述浅层直觉模糊决策树在所述训练样本集合上的分类误差率，利用所述分类误差率计算所述浅层直觉模糊决策树的权重，利用所述权重更新所述训练样本的权值以获取下一个所述浅层直觉模糊决策树的所述训练样本的权值；循环执行前一步骤直至所述分类误差率小于预设阈值或者生成的所述浅层直觉模糊决策树个数达到预设数量，生成的所述浅层直觉模糊决策树组成所述新的提升直觉模糊树。5.根据权利要求4所述的方法，其特征在于，所述初始化所述训练样本集合中的训练样本的权值包括：将每个训练样本的权值初始化为1/n，其中n为所述训练样本集合中训练样本的个数；所述利用所述训练样本集合生成浅层直觉模糊决策树包括：以所述训练样本集合中训练样本的权值作为所述训练样本隶属于所述根节点的直觉模糊隶属度；对到达当前节点的所述训练样本进行特征选择准则训练，根据直觉模糊信息增益最大原则确认当前节点的最优一维特征及所述最优一维特征的算子次数和特征门限值的取值，其中所述最优一维特征属于所述训练样本的高维特征矢量，然后判断所述当前节点是否满足停止条件，若满足，则将所述当前节点转化为叶子节点，若不满足，则使用所述最优一维特征将所述当前节点分裂生成下一层的两个分支节点；或判断所述当前节点是否满足停止条件，若满足，则将所述当前节点转化为叶子节点，若不满足，则对到达当前节点的所述训练样本进行所述特征选择准则训练，然后使用所述最优一维特征将所述当前节点分裂生成下一层的两个分支节点；将所述分支节点作为当前节点返回前一步骤继续执行。6.根据权利要求5所述的方法，其特征在于，所述对到达当前节点的所述训练样本进行特征选择准则训练包括：从所述训练样本的高维特征矢量中随机选择一个一维特征；从候选特征门限值中选择一个，在选中的一维特征和特征门限值条件下计算所述算子次数取不同数值时的直觉模糊信息增益，记录所述选中的一维特征、所述特征门限值的取值、最大的所述直觉模糊信息增益以及对应的所述算子次数的取值；为所述候选特征门限值中的每一个执行前一步骤，找出并保存所有记录中所述直觉模糊信息增益最大的一条；重复执行上述步骤指定次数，在获取的所有保存的记录中找出所述直觉模糊信息增益最大的一条，其中包括的所述一维特征为所述最优一维特征，所述特征门限值的取值和所述算子次数的取值为所述最优一维特征的算子次数和特征门限值的取值。7.根据权利要求6所述的方法，其特征在于，所述直觉模糊信息增益ΔH定义为：其中X＝{x1,x2,...,xn}为到达所述当前节点的训练样本的集合，n为所述集合中所述训练样本的个数；H(X)为所述集合X的直觉模糊熵，定义为：其中δ(·)为狄拉克函数，cj为所述训练样本的类别标签，mi为所述训练样本的类别，由于仅需要对属于目标和不属于目标进行区分，因此共有两类，i＝1,2；训练样本隶属于所述当前节点的直觉模糊隶属度h％(·)定义为：其中D为所述训练样本到达所述当前节点之前经过的所有分支节点的集合，d为所述集合中的一个分支节点，为所述训练样本隶属于所述分支节点d的输出左分支的直觉模糊隶属度，为所述训练样本隶属于所述分支节点d的输出右分支的直觉模糊隶属度，定义为：

【专利技术属性】
技术研发人员：李良群，李俊，谢维信，刘宗香，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44