一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法
【專利摘要】本發(fā)明涉及一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)跟蹤與識(shí)別的方法，該方法包括：對(duì)視頻圖像序列利用混合高斯模型聚類方法提取各運(yùn)動(dòng)目標(biāo)分別所對(duì)應(yīng)的區(qū)域；通過卡爾曼濾波對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)可能出現(xiàn)的區(qū)域進(jìn)行估計(jì)，得到下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)估計(jì)的區(qū)域；在所述區(qū)域內(nèi)，提取各運(yùn)動(dòng)目標(biāo)的特征；運(yùn)用組件分析法將所述提取各運(yùn)動(dòng)目標(biāo)的特征進(jìn)行多類目標(biāo)匹配，確定出所述各運(yùn)動(dòng)目標(biāo)的屬性，實(shí)現(xiàn)對(duì)各運(yùn)動(dòng)目標(biāo)的識(shí)別；將識(shí)別出每一幀視頻圖像中的同類運(yùn)動(dòng)目標(biāo)，并進(jìn)行時(shí)間上的關(guān)聯(lián)，即實(shí)現(xiàn)對(duì)該類運(yùn)動(dòng)目標(biāo)的跟蹤。本發(fā)明方法應(yīng)用交通擁堵情況自動(dòng)判別、重點(diǎn)目標(biāo)行為識(shí)別及重點(diǎn)目標(biāo)監(jiān)控等場(chǎng)合，識(shí)別的目標(biāo)具有較高的準(zhǔn)確性和較好的魯棒性。
【專利說明】—種多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及對(duì)運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤，具體地指一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法。
【背景技術(shù)】
[0002]在交通視頻監(jiān)控、目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)行為識(shí)別及視頻檢索等領(lǐng)域中，對(duì)視頻圖像中運(yùn)動(dòng)目標(biāo)的跟蹤和識(shí)別起著十分重要的作用。目前已有的跟蹤識(shí)別技術(shù)存在的主要不足主要體現(xiàn)在兩個(gè)方面:一是只能跟蹤和識(shí)別單一類別的目標(biāo)，如交通流中的小汽車、行人或人臉等，而不能同時(shí)跟蹤識(shí)別不同類的目標(biāo)；二是運(yùn)動(dòng)目標(biāo)識(shí)別的魯棒性不強(qiáng)，隨著場(chǎng)景的光線及目標(biāo)顏色或外觀的變化，目標(biāo)識(shí)別的準(zhǔn)確率下降。而隨著視頻檢測(cè)應(yīng)用的不斷擴(kuò)展，在許多監(jiān)控和識(shí)別的場(chǎng)合也迫切需要實(shí)現(xiàn)同時(shí)監(jiān)控識(shí)別多類運(yùn)動(dòng)目標(biāo)的需求，如在交通視頻流中，同時(shí)識(shí)別汽車、行人及自行車等類型的交通工具，對(duì)于城市交通中車流量智能分析、擁堵路段預(yù)測(cè)及重點(diǎn)安全部位的監(jiān)控等方面具有重要意義。
[0003]因此，亟待研究一種能夠同時(shí)識(shí)別和跟蹤視頻圖像中多類運(yùn)動(dòng)目標(biāo)的方法。

【發(fā)明內(nèi)容】

[0004]本發(fā)明目的在于克服上述現(xiàn)有技術(shù)的不足而提供一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法，該方法基于混合高斯模型和組件模型分析，實(shí)現(xiàn)了多類運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤，同時(shí)又保證了多類目標(biāo)檢測(cè)的魯棒性和準(zhǔn)確性。
[0005]實(shí)現(xiàn)本發(fā)明目的采用的技術(shù)方案是:一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)跟蹤與識(shí)別的方法，其特征在于，包括:
[0006]( I)對(duì)視頻圖像序列利用混合高斯模型聚類方法提取各運(yùn)動(dòng)目標(biāo)分別所對(duì)應(yīng)的區(qū)域；
[0007](2)通過卡爾曼濾波對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)可能出現(xiàn)的區(qū)域進(jìn)行估計(jì)，得到下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)估計(jì)的區(qū)域；
[0008]( 3 )在步驟(I)所述區(qū)域內(nèi)，提取各運(yùn)動(dòng)目標(biāo)的特征；
[0009](4)運(yùn)用組件分析法將所述提取各運(yùn)動(dòng)目標(biāo)的特征進(jìn)行多類目標(biāo)匹配，確定出所述各運(yùn)動(dòng)目標(biāo)的屬性，實(shí)現(xiàn)對(duì)各運(yùn)動(dòng)目標(biāo)的識(shí)別；
[0010](5)在步驟(2)所述下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)估計(jì)的區(qū)域內(nèi)，提取各運(yùn)動(dòng)目標(biāo)的特征，按步驟(4)實(shí)現(xiàn)對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)的識(shí)別；
[0011](6)按照步驟(I)?(5)識(shí)別出每一幀視頻圖像中的同類運(yùn)動(dòng)目標(biāo)，并進(jìn)行時(shí)間上的關(guān)聯(lián)，即實(shí)現(xiàn)對(duì)該類運(yùn)動(dòng)目標(biāo)的跟蹤。
[0012]本發(fā)明方法利用混合高斯聚類算法和組件模型分析法，在實(shí)時(shí)提取運(yùn)動(dòng)目標(biāo)區(qū)域和離線訓(xùn)練中的目標(biāo)組件配置最優(yōu)估計(jì)過程中，兩次利用混合高斯聚類算法，從而實(shí)現(xiàn)了多類運(yùn)動(dòng)目標(biāo)的跟蹤檢測(cè)，同時(shí)又保證了多類目標(biāo)檢測(cè)的魯棒性和準(zhǔn)確性。因此，本發(fā)明方法應(yīng)用交通擁堵情況自動(dòng)判別、重點(diǎn)目標(biāo)行為識(shí)別及重點(diǎn)目標(biāo)監(jiān)控等場(chǎng)合，具有較好的效果O
[0013]本發(fā)明具有以下優(yōu)點(diǎn):
[0014]1、本方法根據(jù)視頻圖像中運(yùn)動(dòng)目標(biāo)與背景圖像的差異，采用混合高斯模型聚類方法進(jìn)行前景圖像分割，該分割方法對(duì)周期運(yùn)動(dòng)的背景、緩慢光線變化及圖像背景噪聲等干擾都具有較好的魯棒性。
[0015]2、在生成多類已知目標(biāo)組件模型過程中，運(yùn)用混合高斯方法對(duì)目標(biāo)組件配置進(jìn)行最優(yōu)的估計(jì)，從而使得生成的目標(biāo)組件模型對(duì)目標(biāo)的外觀形狀變化具有很強(qiáng)的魯棒性，進(jìn)而增強(qiáng)了對(duì)目標(biāo)識(shí)別的準(zhǔn)確性。
[0016]3、由于生成多類已知目標(biāo)組件模型的訓(xùn)練是在離線狀態(tài)下進(jìn)行的，因而對(duì)目標(biāo)組件最優(yōu)估計(jì)的過程即不會(huì)降低識(shí)別的速度，而且還能大大提高了目標(biāo)識(shí)別的魯棒性。
【專利附圖】

【附圖說明】
[0017]圖1為本發(fā)明多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法流程圖。
[0018]圖2為采用本發(fā)明方法對(duì)視頻圖像中運(yùn)動(dòng)目標(biāo)識(shí)別的示意圖。
[0019]圖3為采用本發(fā)明方法對(duì)兩種目標(biāo)同時(shí)識(shí)別的結(jié)果示意圖。
[0020]圖4為采用本發(fā)明方法對(duì)三種目標(biāo)同時(shí)識(shí)別的結(jié)果示意圖。
【具體實(shí)施方式】
[0021]下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0022]如圖1所示，本發(fā)明多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法具體包括以下步驟:
[0023]S100、對(duì)視頻圖像序列，如圖2-1所示，利用混合高斯模型聚類方法提取視頻圖像中各運(yùn)動(dòng)目標(biāo)分別所對(duì)應(yīng)的區(qū)域?；旌细咚鼓Ｐ途垲惙椒ㄊ峭ㄟ^概率測(cè)度方式對(duì)靜止的背景和運(yùn)動(dòng)的前景進(jìn)行估計(jì)，其輸出的結(jié)果即為從靜止的視頻圖像中提取各類運(yùn)動(dòng)目標(biāo)的區(qū)域。該區(qū)域是以運(yùn)動(dòng)目標(biāo)區(qū)域質(zhì)心為中心的矩形區(qū)域，矩形區(qū)域的大小取決于運(yùn)動(dòng)目標(biāo)的大小。提取出的運(yùn)動(dòng)區(qū)域如圖2-2所示。
[0024]S200、通過卡爾曼濾波對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)可能出現(xiàn)的運(yùn)動(dòng)區(qū)域進(jìn)行估計(jì)，得到下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)的估計(jì)區(qū)域。
[0025]S300、在步驟SlOO所提取各類運(yùn)動(dòng)目標(biāo)的區(qū)域中，提取各運(yùn)動(dòng)目標(biāo)的特征。具體地，本實(shí)施例提取運(yùn)動(dòng)目標(biāo)的特征是提取各運(yùn)動(dòng)目標(biāo)的梯度方向直方圖特征及描述符。
[0026]S400、運(yùn)用主元分析法對(duì)所述梯度方向直方圖特征及描述符進(jìn)行降維處理，得到降維后的待識(shí)別目標(biāo)特征，降微后的結(jié)果如圖2-3所示。
[0027]因?yàn)橐獙?shí)現(xiàn)實(shí)時(shí)的視頻圖像處理，因此要盡量在保證識(shí)別精度的前提下，提高計(jì)算識(shí)別的速度。由于沒有降維前，提取的目標(biāo)特征是128維的高維數(shù)據(jù)，經(jīng)降維后，變?yōu)?2維的低維數(shù)據(jù)，所以，如此處理后可在不明顯降低識(shí)別精度的情況下，提高了計(jì)算速度。
[0028]S500、采用混合高斯模型聚類法對(duì)已知目標(biāo)組件分布特征進(jìn)行最優(yōu)估計(jì)，并采用支持向量機(jī)(SVM)分類器對(duì)已知目標(biāo)特征進(jìn)行學(xué)習(xí)，生成多類已知目標(biāo)的組件模型。本實(shí)施例以交通領(lǐng)域中的小汽車、行人、公交車作為已知的目標(biāo)，通過上述操作生成這些已知目標(biāo)的組件模型。例如，可以采用1000張相關(guān)小汽車的圖像進(jìn)行訓(xùn)練學(xué)習(xí)，生成該小汽車的模型。[0029]S600、將步驟S400得到降維后的待識(shí)別目標(biāo)特征與步驟S500生成的多類已知目標(biāo)的組件模型進(jìn)行匹配，特征匹配的結(jié)果如圖2-4所示，最后確定出降維后的待識(shí)別目標(biāo)特征在所述多類已知目標(biāo)組件模型中對(duì)應(yīng)的目標(biāo)，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別，識(shí)別的結(jié)果如圖2-5所示。
[0030]S700、對(duì)步驟S200得到下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)的估計(jì)區(qū)域中各運(yùn)動(dòng)目標(biāo)的估計(jì)區(qū)域按照步驟S300?S600進(jìn)行操作，識(shí)別出下一幀視頻圖像中各類運(yùn)動(dòng)目標(biāo)。
[0031]重復(fù)上述步驟，識(shí)別出視頻圖像序列中每一幀視頻圖像中的同類運(yùn)動(dòng)目標(biāo)，并進(jìn)行時(shí)間上的關(guān)聯(lián)，即實(shí)現(xiàn)對(duì)該類運(yùn)動(dòng)目標(biāo)的跟蹤。
[0032]本實(shí)施例對(duì)具體的視頻圖像序列按照上述本發(fā)明方法進(jìn)行識(shí)別和跟蹤，其效果如圖3和圖4所示。圖3為采用本發(fā)明方法對(duì)兩種目標(biāo)進(jìn)行識(shí)別的效果圖，圖3中能夠?qū)π腥撕托∑囘M(jìn)行正確的識(shí)別，如圖3中的方框中的區(qū)域，即識(shí)別出四輛小汽車和一個(gè)行人，再將圖3-1、圖3-2和圖3-3中同一目標(biāo)按時(shí)間順序關(guān)聯(lián)，即可知道該目標(biāo)的運(yùn)動(dòng)軌跡，從而實(shí)現(xiàn)對(duì)該目標(biāo)的跟蹤，如斑馬線上的小汽車是在進(jìn)行左轉(zhuǎn)的運(yùn)動(dòng)。圖4為采用本發(fā)明方法對(duì)三種目標(biāo)進(jìn)行識(shí)別的效果圖，圖4中能夠?qū)π∑嚒⒛ν熊嚭腿撕瓦M(jìn)行正確的識(shí)別，如圖4中的方框中的區(qū)域，即識(shí)別出兩輛小汽車、三輛摩托車和兩個(gè)人，再將圖4-1、圖4-2和圖4-3中同一目標(biāo)按時(shí)間順序關(guān)聯(lián)，即可知道該目標(biāo)的運(yùn)動(dòng)軌跡，從而實(shí)現(xiàn)對(duì)該目標(biāo)的跟蹤。
【權(quán)利要求】
1.一種多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法，其特征在于，包括: (1)對(duì)視頻圖像序列利用混合高斯模型聚類方法提取各運(yùn)動(dòng)目標(biāo)分別所對(duì)應(yīng)的區(qū)域； (2)通過卡爾曼濾波對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)可能出現(xiàn)的區(qū)域進(jìn)行估計(jì)，得到下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)估計(jì)的區(qū)域； (3 )在步驟(I)所述區(qū)域內(nèi)，提取各運(yùn)動(dòng)目標(biāo)的特征； (4)運(yùn)用組件分析法將所述提取各運(yùn)動(dòng)目標(biāo)的特征進(jìn)行多類目標(biāo)匹配，確定出所述各運(yùn)動(dòng)目標(biāo)的屬性，實(shí)現(xiàn)對(duì)各運(yùn)動(dòng)目標(biāo)的識(shí)別； (5)在步驟(2)所述下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)估計(jì)的區(qū)域內(nèi)，提取各運(yùn)動(dòng)目標(biāo)的特征，按步驟(4)實(shí)現(xiàn)對(duì)下一幀視頻圖像中各運(yùn)動(dòng)目標(biāo)的識(shí)別； (6)按照步驟(I)?(5)識(shí)別出每一幀視頻圖像中的同類運(yùn)動(dòng)目標(biāo)，并進(jìn)行時(shí)間上的關(guān)聯(lián)，即實(shí)現(xiàn)對(duì)該類運(yùn)動(dòng)目標(biāo)的跟蹤。
2.根據(jù)權(quán)利要求1所述多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法，其特征在于，在步驟(3)中，提取各運(yùn)動(dòng)目標(biāo)的特征包括: 提取各運(yùn)動(dòng)目標(biāo)的梯度方向直方圖特征及描述符，并運(yùn)用主元分析法對(duì)所述梯度方向直方圖特征及描述符進(jìn)行降維處理，得到降維后的待識(shí)別目標(biāo)特征。
3.根據(jù)權(quán)利要求2所述多類運(yùn)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤的方法，其特征在于，步驟(4)包括: 采用混合高斯模型聚類法對(duì)已知目標(biāo)組件分布特征進(jìn)行最優(yōu)估計(jì)，并采用支持向量機(jī)分類器對(duì)已知目標(biāo)特征進(jìn)行學(xué)習(xí)，生成多類已知目標(biāo)的組件模型； 將所述降維后的待識(shí)別目標(biāo)特征與所述多類已知目標(biāo)組件模型進(jìn)行匹配，確定所述降維后的待識(shí)別目標(biāo)特征在所述多類已知目標(biāo)組件模型中對(duì)應(yīng)的目標(biāo)，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別。
【文檔編號(hào)】G06K9/00GK103679156SQ201310752431
【公開日】2014年3月26日 申請(qǐng)日期:2013年12月31日 優(yōu)先權(quán)日:2013年12月31日
【發(fā)明者】楊杰, 孫亞東, 伍美俊, 張良俊, 劉海波 申請(qǐng)人:武漢理工大學(xué)