一种多摄像头下轨迹跟踪方法技术

本发明专利技术公开一种多摄像头下轨迹跟踪方法，包括行人的识别和行人轨迹的跟踪，具体包括：首先对视频进行图片的分割，然后将视频变为图片后进行一帧一帧的处理，处理过程包括行人识别、背景识别、人脸区域识别、人脸识别、行人重识别，还包括对衣服的识别补充，精准的识别该行人，最后，通过采用deepsort方式进行跟踪，在多摄像头下，只要有一帧被识别到该行人，就可以得出该行人的行走轨迹，进而实现行人的轨迹跟踪，此方式提高行人识别的精准度，可解决多个摄像头下，同一个人的身份确认问题，同时同步更改行人轨迹，实现多摄像头下同一身份人的轨迹跟踪。轨迹跟踪。轨迹跟踪。

【技术实现步骤摘要】
一种多摄像头下轨迹跟踪方法


[0001]本专利技术属于识别分析的安全
，具体涉及到一种多摄像头下轨迹跟踪方法。

技术介绍

[0002]摄像头又被称为电脑相机、电脑眼、电子眼等，是一种视频输入设备，被广泛的运用于视频会议、远程医疗及实时监控等方面，普通的人也可以彼此通过摄像头在网络上进行有影像、有声音的交谈和沟通，除此之外，摄像头可以将视频采集设备产生的模拟信号转换成数字信号，进而将其储存在计算机里，从而通过摄像头实现监控和跟踪的功能。
[0003]摄像头跟踪系统通常包括单摄像头跟踪和多摄像头跟踪两种方式，基于单摄像头的多目标跟踪系统，由于自身的局限性，不可避免的存在摄像头视野有限、不能对目标进行全程跟踪、难以解决目标遮挡等问题，现有的多摄像头跟踪系统，多为几个摄像头的共同区域的研究，这种多采用几何学的方案进行，但是必须事先了解每个摄像头的位置以及高度、俯仰角、距离等关系，在实际的应用中工作量非常大，普适性不强，而如果多个摄像头之间没有交汇时，当前技术基本还是采用人脸识别的方式，效果较差，这是因为目标人实际在社区或者厂区行走时，由于摄像头摆放高度、距离以及现场天气等情况，只能有少数的清晰正面照，大多数为不清晰或低头、侧脸等照片，这为识别带来了极大的难度，导致识别效率大大下降，为此，本专利技术提供一种多摄像头下轨迹跟踪方法。

技术实现思路

[0004]针对上述问题，本专利技术的主要目的在于设计一种多摄像头下轨迹跟踪方法,解决多个摄像头下，同一个人的身份确认问题，同时同步更改轨迹，解决多摄像头对同一身份人的轨迹跟踪问题。
[0005]为了实现上述目的本专利技术采用如下技术方案：
[0006]一种多摄像头下轨迹跟踪方法，包括行人身份的识别和行人轨迹的跟踪：
[0007]一：行人身份的识别包括如下步骤：
[0008]步骤一：图像分割：将视频经过抽帧处理，视频变为图片队列；
[0009]步骤二：行人识别：将每张图片通过YoloV3进行行人的识别，得到每张图片中行人的坐标；
[0010]步骤三：背景识别：根据图片中当前帧与之前帧的差值找到实景，并将步骤二中行人的坐标与此实景相匹配，得到图片中的行人；
[0011]步骤四：人脸区域识别：将图片中的行人用opencv进行人脸区域的识别，找到人脸的区域对应的坐标值；
[0012]步骤五：人脸识别：将图片中的行人用FaceNet进行人脸识别，得到最终的行人面部；
[0013]步骤六：行人重识别：将图片中的行人用ReID对人脸识别进行补充，将多帧中的该
行人图像作为输入，学习该行人的基本特征，最终将两个行人的特征进行匹配，得出该行人的相似度；
[0014]步骤七：行人衣服识别：将图片中的行人通过SVM分类器，得到行人上下半身衣服的颜色，确认图片中行人的匹配。
[0015]二、行人轨迹的跟踪方式如下：
[0016]对某一行人采用deepsort方式进行跟踪，通过该行人的图片前面几帧放入卡曼滤波中进行学习，预测该行人下一帧所在的位置，将观测坐标与预测坐标通过匈牙利算法进行匹配，二者一致，则匹配上，如果不一致，则调整该行人的参数或卡曼滤波系统继续匹配，经过一个图像连续帧的deepsort处理，得到该行人在该摄像头下的轨迹。
[0017]作为本专利技术进一步的描述，步骤二中直接应用公开的模型，即：yolov3.weights是训练好的权重文件，yolov3.cfg是神经网络的结构文件，coco.names是算法的类别文件。
[0018]作为本专利技术进一步的描述，步骤二中行人的坐标为以行人为中心的矩形四个顶点的坐标。
[0019]作为本专利技术进一步的描述，步骤四中，将行人头部与上半身、下半身的比例分为1:4:4，通过头部坐标以及整个行人的坐标，从行人的矩形坐标中得出上半身部分和下半身部分。
[0020]作为本专利技术进一步的描述，步骤六中行人的基本特征包括形态、走路姿态。
[0021]作为本专利技术进一步的描述，步骤七中SVM分类器首先学习通用颜色，将图片颜色标记为多种颜色，并对每种颜色匹配得出每种颜色匹配的概率。
[0022]作为本专利技术进一步的描述，行人轨迹的跟踪中，卡曼滤波学习的内容包括学习速度、方向。
[0023]作为本专利技术进一步的描述，行人轨迹的跟踪中，如果不一致，调整该行人的参数包括行人的步长、行人每步的频率。
[0024]相对于现有技术，本专利技术的技术效果为：
[0025]本专利技术提供了一种多摄像头下轨迹跟踪方法，通过行人身份的识别和行人轨迹的跟踪相结合，只要该跟踪轨迹过程中识别到一帧，则此行人轨迹即可被确认身份，在行人身份的识别时，采用步骤二到步骤七中的，行人识别、背景识别、人脸区域识别、人脸识别、行人重识别、行人衣服识别，确保行人身份识别的精准度，提高行人轨迹跟踪的准确性。
附图说明
[0026]图1为本专利技术的行人识别与跟踪采用的基本技术及运用视图；
[0027]图2为本专利技术的行人身份识别步骤示意图；
[0028]图3为本专利技术行人的上半身坐标和下半身坐标确定示意图；
[0029]图4为本专利技术SVM分类器学习的16种颜色及各种颜色对应坐标的示意图；
[0030]图5为本专利技术采用deepsort方式跟踪轨迹的示意图；
[0031]图6为本专利技术摄像头下行人轨迹跟踪示意图；
[0032]图7为本专利技术针对行人识别到一帧后对行人身份的确认示意图。
具体实施方式
[0033]下面结合附图对本专利技术进行详细描述：
[0034]一种多摄像头下轨迹跟踪方法，参考图1
‑
7所示，包括行人身份的识别和行人轨迹的跟踪：
[0035]一：行人身份的识别包括如下步骤：
[0036]步骤一：图像分割：将视频经过抽帧处理，视频变为图片队列，对图片一帧一帧的处理。
[0037]步骤二：行人识别：将每张图片通过YoloV3进行当前图片中行人的识别，得到每张图片中行人的坐标，直接应用公开的识别模型，即：yolov3.weights是训练好的权重文件，yolov3.cfg是神经网络的结构文件，coco.names是算法的类别文件，行人的坐标为以该行人为中心的矩形四个顶点的坐标。
[0038]步骤三：背景识别：根据图片中当前帧与之前帧的差值找到实景，并将步骤二中行人的坐标与此实景相匹配，得到图片中的行人的精准坐标，由于图像分为背景和实景，背景为基本不动的物体，实景为运动物体，所以通过帧间差即可找到实景。
[0039]步骤四：人脸区域识别：将图片中的行人用opencv进行人脸区域的识别(通过emgucv库进行人脸区域识别)，找到人脸的区域对应的坐标值。
[0040]得到人脸区域坐标值之前，首先将行人的上半身坐标和下半身坐标确定，如图3所示，确定方式如下：将行人的头部与上半身、下半身的比例分为1:4:4，通过头部坐标以及整个行人的坐标，从行人的矩形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多摄像头下轨迹跟踪方法，其特征在于：包括行人身份的识别和行人轨迹的跟踪：行人身份的识别包括如下步骤：步骤一：图像分割：将视频经过抽帧处理，视频变为图片队列；步骤二：行人识别：将每张图片通过YoloV3进行行人的识别，得到每张图片中行人的坐标；步骤三：背景识别：根据图片中当前帧与之前帧的差值找到实景，并将步骤二中行人的坐标与此实景相匹配，得到图片中的行人；步骤四：人脸区域识别：将图片中的行人用opencv进行人脸区域的识别，找到人脸的区域对应的坐标值；步骤五：人脸识别：将图片中的行人用FaceNet进行人脸识别，得到最终的行人面部；步骤六：行人重识别：将图片中的行人用ReID对人脸识别进行补充，将多帧中的该行人图像作为输入，学习该行人的基本特征，最终将两个行人的特征进行匹配，得出该行人的相似度；步骤七：行人衣服识别：将图片中的行人通过SVM分类器，得到行人上下半身衣服的颜色，确认图片中行人的匹配；行人轨迹的跟踪方式如下：对某一行人采用deepsort方式进行跟踪，通过该行人的图片前面几帧放入卡曼滤波中进行学习，预测该行人下一帧所在的位置，将观测坐标与预测坐标通过匈牙利算法进行匹配，二者一致，则匹配上，如果不一致，则调整该行人的参数或卡曼滤波系统继续匹配，经过一个图像连续帧的deepsort处理，得...

【专利技术属性】
技术研发人员：陈维亮，尹楼，王克文，徐伟，董鸿翔，
申请(专利权)人：安徽海行云物联科技有限公司，
类型：发明
国别省市：