statistics"的文章中公開的對(duì)象跟蹤方法(下文稱之為投影圖跟蹤方法)。該 對(duì)象跟蹤方法對(duì)人在某個(gè)平面視圖上進(jìn)行特征統(tǒng)計(jì)，以此統(tǒng)計(jì)特征為基礎(chǔ)進(jìn)行人的檢測(cè)和 跟蹤，其中使用了水平面視圖上的人的表面點(diǎn)的分布的統(tǒng)計(jì)特征和卡爾曼濾波。該非專利 文獻(xiàn)提出的基于水平面視圖的方法（3維到2維的坐標(biāo)變換、直方圖統(tǒng)計(jì)，即在平面視圖上 計(jì)算特征）可以一定程度上減輕遮擋的影響，比較適合用于如客廳、大堂等背景較為簡(jiǎn)單的 場(chǎng)景，不過對(duì)于例如有很多隔斷的復(fù)雜的辦公場(chǎng)景，會(huì)發(fā)生跟蹤失敗的問題。
[0051] 圖5示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的作為第一跟蹤方法示例采用的投影圖跟蹤 方法的總體流程圖，該方法以灰度圖和深度圖作為輸入，包括背景建模和前景分割步驟 S121、將前景轉(zhuǎn)換到投影圖步驟S122、人的檢測(cè)和跟蹤步驟S123,該方法的輸出是人的跟 蹤結(jié)果列表。
[0052] 另外，在另一示例中，作為第一跟蹤方法，還可以采用申請(qǐng)人與本發(fā)明的 申請(qǐng)人相同的發(fā)明名稱為"基于立體攝像機(jī)的物體檢測(cè)方法和裝置"的中國(guó)專利 申請(qǐng)CN201210292660. 2和發(fā)明名稱為"對(duì)象跟蹤方法和裝置"的中國(guó)專利申請(qǐng) CN201210327643. 8中提出的方法。這里通過引用將其全文合并于此。
[0053] 在步驟S130中，朝向檢測(cè)部件130檢測(cè)利用第一跟蹤方法跟蹤部件120跟蹤到的 第一對(duì)象的朝向。
[0054] 目前已有某些公知技術(shù)用于檢測(cè)人的朝向，比如，將人的行走方向作為他的朝向， 行走方向可以通過比較該人在一段時(shí)間內(nèi)位置的變化計(jì)算得出。上述方法的一個(gè)前提假設(shè) 是人的行走方向和其朝向一致。圖6示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的人的朝向檢測(cè)方法的 解釋圖。其中C標(biāo)記的為相機(jī)在投影圖中的位置，虛線的三角形區(qū)域表示相機(jī)的可視區(qū)域。 通過第一跟蹤方法，得到某個(gè)人在時(shí)間t時(shí)刻出現(xiàn)在投影圖的位置Pos t=(xt，yt)而t+Ι時(shí) 亥1]位置為？〇\+1=〇^ +1^+1)，則其朝向0可根據(jù)公式（1)計(jì)算得出：
【主權(quán)項(xiàng)】
1. 一種在至少一個(gè)視頻流的圖像中跟蹤對(duì)象的對(duì)象跟蹤方法，包括： 圖像接收步驟，從該至少一個(gè)視頻流接收第一圖像，第一圖像中包括要跟蹤的至少一 個(gè)對(duì)象； 第一跟蹤方法跟蹤步驟，利用第一跟蹤方法跟蹤第一圖像中的、要跟蹤的至少一個(gè)對(duì) 象中的第一對(duì)象，并得到初始跟蹤結(jié)果，該初始跟蹤結(jié)果包括該第一對(duì)象與已被賦予標(biāo)識(shí) 符的對(duì)象之間的匹配程度或該第一對(duì)象是已被賦予標(biāo)識(shí)符的對(duì)象的概率； 朝向檢測(cè)步驟，檢測(cè)該第一對(duì)象的朝向； 跟蹤結(jié)果可信度評(píng)估步驟，評(píng)估該第一對(duì)象的初始跟蹤結(jié)果的可信度； 可信分支模型建立或更新步驟，如果該第一對(duì)象的初始跟蹤結(jié)果的可信度不低于預(yù)定 闊值，則基于檢測(cè)到的該第一對(duì)象的朝向，提取跟蹤到的第一圖像中的該第一對(duì)象的特征， W及建立或更新該第一對(duì)象的與該朝向相關(guān)聯(lián)的朝向?qū)?yīng)特征模型，對(duì)象的朝向?qū)?yīng)特 征模型基于在不同朝向下的對(duì)象的各個(gè)特征的取值來表征對(duì)象，在對(duì)象的朝向不同的情況 下，對(duì)象的各個(gè)特征中的至少一個(gè)取值不同；W及 不可信分支對(duì)象識(shí)別和模型建立更新步驟，如果該第一對(duì)象的初始跟蹤結(jié)果的可信度 低于預(yù)定闊值，則基于檢測(cè)到的該第一對(duì)象的朝向，獲取與該第一對(duì)象的朝向?qū)?yīng)的各個(gè) 候選對(duì)象的朝向?qū)?yīng)特征模型，基于如此獲取到的與該第一對(duì)象的朝向?qū)?yīng)的各個(gè)候選對(duì) 象的朝向?qū)?yīng)特征模型和該第一對(duì)象的特征來識(shí)別該第一對(duì)象，并根據(jù)識(shí)別結(jié)果來更新或 建立第一對(duì)象的第一跟蹤方法的模型，W及更新或建立第一對(duì)象的朝向?qū)?yīng)特征模型。
2. 根據(jù)權(quán)利要求1的對(duì)象跟蹤方法，在可信分支模型建立或更新步驟中，在更新該第 一對(duì)象的與該朝向相關(guān)聯(lián)的朝向?qū)?yīng)特征模型中，判定提取的跟蹤到的第一圖像中的該第 一對(duì)象的特征與朝向?qū)?yīng)特征模型中對(duì)應(yīng)特征之間的一致性，并且僅在一致性達(dá)到預(yù)定標(biāo) 準(zhǔn)時(shí)，才基于提取的跟蹤到的第一圖像中的該第一對(duì)象的特征來更新朝向?qū)?yīng)特征模型中 的對(duì)應(yīng)已有特征。
3. 根據(jù)權(quán)利要求1的對(duì)象跟蹤方法，所述可信分支模型建立或更新步驟中的提取跟蹤 到的第一圖像中的該第一對(duì)象的特征包括： 提取將該第一對(duì)象與其它對(duì)象區(qū)分開的能力最強(qiáng)的特征。
4. 根據(jù)權(quán)利要求1的對(duì)象跟蹤方法，在跟蹤結(jié)果可信度評(píng)估步驟中，如果兩個(gè)要跟蹤 的對(duì)象之間存在遮擋，或者兩個(gè)要跟蹤的對(duì)象之間在各峽之間不斷靠近，則將可信度設(shè)置 為低于預(yù)定闊值。
5. 根據(jù)權(quán)利要求1的對(duì)象跟蹤方法，所述朝向?qū)?yīng)特征模型所涉及的特征包括： 描述對(duì)象的物理尺寸的特征；W及 描述顏色的特征、描述紋理的特征和描述步態(tài)的特征中的至少一種。
6. -種識(shí)別圖像中的對(duì)象的對(duì)象識(shí)別方法，包括： 圖像接收步驟，接收第一圖像，該第一圖像包括至少一個(gè)待識(shí)別對(duì)象； 朝向檢測(cè)步驟，檢測(cè)待識(shí)別對(duì)象的朝向； 特征值提取步驟，對(duì)于預(yù)定的各個(gè)特征，提取待識(shí)別對(duì)象的特征值； 朝向?qū)?yīng)特征模型獲得步驟，基于檢測(cè)到的待識(shí)別對(duì)象的朝向，獲得與該朝向?qū)?yīng)的 候選對(duì)象的朝向?qū)?yīng)特征模型，其中對(duì)象的朝向?qū)?yīng)特征模型基于在不同朝向下的對(duì)象的 各個(gè)特征的取值來表征對(duì)象，在對(duì)象的朝向不同的情況下，對(duì)象的各個(gè)特征中的至少一個(gè) 取值會(huì)不同；w及 對(duì)象識(shí)別步驟，基于提取的待識(shí)別對(duì)象的特征和所獲得的與對(duì)象的朝向?qū)?yīng)的朝向?qū)?應(yīng)特征模型，識(shí)別對(duì)象。
7. 根據(jù)權(quán)利要求6的對(duì)象識(shí)別方法，其中所述各個(gè)特征包括： 描述對(duì)象的物理尺寸的特征；W及 描述顏色的特征、描述紋理的特征和描述步態(tài)的特征中的至少一種。
8. 根據(jù)權(quán)利要求6的對(duì)象識(shí)別方法，其中所述各個(gè)特征包括： 對(duì)于每個(gè)候選對(duì)象，將該候選對(duì)象與其它候選對(duì)象區(qū)分開的能力最強(qiáng)的特征。
9. 一種在至少一個(gè)視頻流的圖像中跟蹤對(duì)象的對(duì)象跟蹤裝置，包括： 圖像接收部件，從該至少一個(gè)視頻流接收第一圖像，第一圖像中包括要跟蹤的至少一 個(gè)對(duì)象； 第一跟蹤方法跟蹤部件，利用第一跟蹤方法跟蹤第一圖像中的、要跟蹤的至少一個(gè)對(duì) 象中的第一對(duì)象，并得到初始跟蹤結(jié)果，該初始跟蹤結(jié)果包括該第一對(duì)象與已被賦予標(biāo)識(shí) 符的對(duì)象之間的匹配程度或該第一對(duì)象是已被賦予標(biāo)識(shí)符的對(duì)象的概率； 朝向檢測(cè)部件，檢測(cè)該第一對(duì)象的朝向； 跟蹤結(jié)果可信度評(píng)估部件，評(píng)估該第一對(duì)象的初始跟蹤結(jié)果的可信度； 可信分支模型建立或更新部件，如果該第一對(duì)象的初始跟蹤結(jié)果的可信度不低于預(yù)定 闊值，則基于檢測(cè)到的該第一對(duì)象的朝向，提取跟蹤到的第一圖像中的該第一對(duì)象的特征， W及建立或更新該第一對(duì)象的與該朝向相關(guān)聯(lián)的朝向?qū)?yīng)特征模型，其中對(duì)象的朝向?qū)?yīng) 特征模型基于在不同朝向下的對(duì)象的各個(gè)特征的取值來表征對(duì)象，在對(duì)象的朝向不同的情 況下，對(duì)象的各個(gè)特征中的至少一個(gè)取值會(huì)不同； 不可信分支對(duì)象識(shí)別和模型建立更新部件，如果該第一對(duì)象的初始跟蹤結(jié)果的可信度 低于預(yù)定闊值，則基于檢測(cè)到的該第一對(duì)象的朝向，獲取與該第一對(duì)象的朝向?qū)?yīng)的各個(gè) 候選對(duì)象的朝向?qū)?yīng)特征模型，基于如此獲取到的與該第一對(duì)象的朝向?qū)?yīng)的各個(gè)候選對(duì) 象的朝向?qū)?yīng)特征模型和該第一對(duì)象的特征來識(shí)別該第一對(duì)象，并根據(jù)識(shí)別結(jié)果來更新或 建立第一對(duì)象的第一跟蹤方法的模型，W及更新或建立第一對(duì)象的朝向?qū)?yīng)特征模型。
10. -種識(shí)別圖像中的對(duì)象的對(duì)象識(shí)別裝置，包括： 圖像接收部件，接收第一圖像，該第一圖像包括至少一個(gè)待識(shí)別對(duì)象； 朝向檢測(cè)部件，檢測(cè)待識(shí)別對(duì)象的朝向； 特征值提取部件，對(duì)于預(yù)定的各個(gè)特征，提取待識(shí)別對(duì)象的特征值； 朝向?qū)?yīng)特征模型獲得部件，基于檢測(cè)到的待識(shí)別對(duì)象的朝向，獲得與該朝向?qū)?yīng)的 候選對(duì)象的朝向?qū)?yīng)特征模型，其中對(duì)象的朝向?qū)?yīng)特征模型基于在不同朝向下的對(duì)象的 各個(gè)特征的取值來表征對(duì)象，在對(duì)象的朝向不同的情況下，對(duì)象的各個(gè)特征中的至少一個(gè) 取值會(huì)不同；W及 對(duì)象識(shí)別部件，基于提取的待識(shí)別對(duì)象的特征和所獲得的與對(duì)象的朝向?qū)?yīng)的朝向?qū)?應(yīng)特征模型，識(shí)別對(duì)象。
【專利摘要】提供了對(duì)象跟蹤方法和裝置以及對(duì)象識(shí)別方法和裝置。該對(duì)象跟蹤方法可以包括：接收?qǐng)D像；利用第一跟蹤方法跟蹤第一圖像中的對(duì)象；檢測(cè)對(duì)象的朝向；評(píng)估對(duì)象跟蹤結(jié)果的可信度；如果跟蹤結(jié)果的可信度較高，則提取對(duì)象的特征，以及建立或更新該第一對(duì)象的與該朝向相關(guān)聯(lián)的朝向?qū)?yīng)特征模型，對(duì)象的朝向?qū)?yīng)特征模型基于在不同朝向下的對(duì)象的各個(gè)特征的取值來表征對(duì)象；以及如果對(duì)象的跟蹤結(jié)果的可信度低，則基于檢測(cè)到的該第一對(duì)象的朝向，獲取與朝向?qū)?yīng)的各個(gè)候選對(duì)象的朝向?qū)?yīng)特征模型，基于各個(gè)候選對(duì)象的朝向?qū)?yīng)特征模型和該第一對(duì)象的特征來識(shí)別該第一對(duì)象。本發(fā)明很好地將對(duì)象跟蹤和對(duì)象識(shí)別融合在一起，維持較高的跟蹤質(zhì)量。
【IPC分類】G06K9-00, G06T7-20
【公開號(hào)】CN104599287
【申請(qǐng)?zhí)枴緾N201310533708
【發(fā)明人】王鑫, 范圣印, 王千, 喬剛, 諸加丹
【申請(qǐng)人】株式會(huì)社理光
【公開日】2015年5月6日
【申請(qǐng)日】2013年11月1日