基于表示模型和分类模型的云台跟踪方法技术

本发明专利技术公开了一种基于表示模型和分类模型的云台跟踪方法，主要包括以下步骤：a）目标初始化：生成灰度基准仿射矩阵和轮廓原型基准仿射矩阵；b）根据上述灰度基准仿射矩阵和轮廓原型基准仿射矩阵生成粒子；c）初始化分类器；d）对上述b步骤中生成的粒子进行带重新初始化的粒子滤波；e）估计检测的目标位置；f）利用c步骤中的分类器判断上述检测到的目标位置是否丢失；g）若上述分类器的返回值超过阀值，则更新分类器，返回步骤d，如上述分类器的返回值没有超过阀值，则对目标进行检测。这样，可避免目标在跟踪过程中由于受到光照剧烈变化，快速非平面运动或者被其他物体遮挡等影响而发生漂移。

【技术实现步骤摘要】

本专利技术涉及视频监控领域，确切地说，涉及视觉目标跟踪领域，是一种。
技术介绍
云台跟踪算法，通过云台摄像机拍摄的视频，跟踪选定的目标。在云台摄像机跟踪目标物体的过程中，由于不能像静态摄像机那样创建静态背景，因此需要通过外观和分类模型等方法来区分前景和背景，以最终确定被跟踪目标的位置，给出准确的目标框。利用此技术可以对被监控区域的感兴趣行人目标进行跟踪，为智能视频分析的上层应用提供重要 的目标位置信息。当前流行的云台跟踪算法主要是通过增量学习被跟踪的目标的灰度外观模型来不断的自适应目标的外观变化。这种方法假设目标灰度外观在任何时刻的状态都是从一个高斯分布中采样得到，因此目标的外观可以通过高斯的期望与主元的加权和来表示。高斯的期望和主元是通过增量主元分析算法(IPCA)完成的，这个方法可以在目标的外观变化不是特别快，没有遮挡的情况下保持非常精确的跟踪效果。然而，在真实的云台监控环境下，往往达不到如此理想的条件，被监控的目标往往会发生迅速的非平面运动，或者因为摄像机运动导致外观变模糊，而且遮挡也经常出现。所以，在实际应用中只采用灰度外观模型的跟踪算法无法发挥有效作用。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种，以使目标在受到光照剧烈变化，快速非平面运动或者被其他物体遮挡影响，等情况下避免发生目标跟踪漂移的优点。为实现上述目的，本专利技术采用的技术方案是 一种，包括以下步骤 a)目标初始化生成灰度基准仿射矩阵和轮廓原型基准仿射矩阵； b):根据上述灰度基准仿射矩阵和轮廓原型基准仿射矩阵生成粒子； c):初始化分类器； d):对上述b步骤中生成的粒子进行带重新初始化的粒子滤波； e):估计检测的目标位置； f):利用c步骤中的分类器判断上述检测到的目标位置是否丢失； g):若上述分类器的返回值超过阀值，则更新分类器，返回步骤d，如上述分类器的返回值没有超过阀值，则对目标进行检测。根据本专利技术的优选实施例，上述生成灰度基准仿射矩阵和轮廓原型基准仿射矩阵包括以下步骤定义一个目标框，目标框的左下，左上，右上，右下角坐标表示为Ud1)、、计算相对于左下，左上，右上坐标为(-15Λ-15J)、(-15J5J5J5)、的区域的灰度基准仿射矩阵.< ,因为避免得到过决定问题，计算过程中没有使用右下角坐标 JHf :「Xi X2 J^T-15J5 15J5 15j5]'1 Λ 巧 y, 15J 15J 15^ ；J I ll1 1 1轮廓原型基准仿射矩阵包括正面轮廓原型基准仿射矩阵^*和侧面轮廓原型基准仿射矩阵^正面轮廓的外接矩形的左下，左上，右上，右下角坐标为MmV "3)-(^4^4),侧面轮廓的外接矩形的左下，左上，右上，右下角坐标为(Ρι^9ιΜρ2^Λ(ρ^Λ(ρ4^4) ■.计算目标框相对于正面和侧面轮廓圆形的外接矩形区域基准仿射矩阵^^和^*。与灰度基准矩阵计算类似，为避免得到过决定问题，计算过程 中没有使用右下角坐标 j^cSee- X1 X2 ' mI mS JfI JrI Λ 2 3 ， J I I J Li I I . ^*=「*1 ^ Γα P7 P31"1 Fi y7 JrS 9i g2 5Ts ;1 1 1 J Li 1 1 . 对上述正面轮廓原型基准仿射矩阵和侧面轮廓原型基准仿射矩阵1进行外观似然计算，确定轮廓原型基准仿射矩阵I采用上述正面轮廓原型基准仿射矩阵或侧面轮廓原型基准仿射矩阵的一个。根据本专利技术的优选实施例，上述外观似然函数为 抑 A(Tcj)3UlYiiUf) = Φ{-(AC, -EiAC^fU^UfiMJ, — ￡{ACf})| expQ js{acU是偏移向量的期望，表不偏移向量。本专利技术的技术方案中，加入由一组控制点的连线来表示的行人轮廓，因为行人的轮廓具有相似性，所以在学习轮廓特征的时候可以共有的特性为基础开始学习。我们称这个共有特性为原型。为了获得轮廓的原型，收集了一组对齐的正面和侧面的行人图片。通过计算这些行人轮廓的平均位置来获得正面和侧面的轮廓原型。此外，假设这个偏移向量符合一个高斯分布，因此可以通过增量主元分析来获得这个偏移向量的主元。进而，通过偏移向量的主元可以计算一个椭圆分布函数来估计观测的轮廓的似然性。在灰度和轮廓的增量主元分析表示模型以外，还采用了一个判别式模型来解决跟踪失败后处理问题。因为表示模型只能用来计算观测的似然度，所以对于跟踪失败很难进行目标检测。在此，采用了一个增量的多实例分类器用来判断是否跟踪失败，在跟踪失败后重获检测目标，恢复跟踪。普通的多实例分类器的训练集只要求被训练的目标在图像中，而不需要知道目标在训练图像中的具体位置。而多实例分类器比一般的分类器具有更鲁棒的特性。在多实例分类器的基础上，我们增加增量功能，采用增量多实例分类器。增量多实例分类器可以在学习新的训练集的时候保持之前训练集的分类结果；此外还可以对已经学习 的训练集进行反学习操作。这样我们可以维持一个只由最近的观测值训练的检测器。在跟踪的过程通过增量多实例分类器来判断跟踪是否失败和重新获得目标。通过表示和分类模型的共同作用可以有效的捕捉行人目标在特征空间中的流型，有效的克服了跟踪中的目标漂移的问题。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中 图I为本专利技术实施例所述的的流程 图2a为本专利技术实施例所述的行人轮廓的正面轮廓原型的示意 图2b为本专利技术实施例所述的行人轮廓的侧面轮廓原型的示意 图3为图2a和图2b中控制点处的RMS误差的曲线 图4为本专利技术实施例中灰度和轮廓模板通过仿射变换映射到目标区域过程的示意图； 图5为本专利技术实施例中轮廓偏移向量过程的示意 图6为本专利技术实施例中通过分类器标注的样本训练来更新分类器的示意 图7为本专利技术实施例中灰度表示模型在跟踪视频中的更新展示 图8为本专利技术实施例中在跟踪过程中，正面和侧面轮廓的自适应跳转情况 图9为跟踪过程中，增量多实例分类器的分类性能(精确度/召回率曲线)的变化情况 图10为本专利技术实施例中跟踪目标通过遮挡物时候的跟踪效果。具体实施例方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。如图I所示，一种，包括以下步骤 a)目标初始化生成灰度基准仿射矩阵和轮廓原型基准仿射矩阵；b):根据上述灰度基准仿射矩阵和轮廓原型基准仿射矩阵生成粒子； C):初始化分类器； d):对上述b步骤中生成的粒子进行带重新初始化的粒子滤波； e):估计检测的目标位置； f):利用c步骤中的分类器判断上述检测到的目标位置是否丢失； g):若上述分类器的返回值超过阀值，则更新分类器，返回步骤d，如上述分类器的返回值超过阀值没有超过阀值，则对目标进行检测。其本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：朱松纯，解易，雷鹏，姚振宇，明安龙，宋桂岭，
申请(专利权)人：江苏视软智能系统有限公司，
类型：发明
国别省市：