一种视频监控中的多目标跟踪方法
【专利摘要】本发明公开了一种融合ASIFT特征和粒子滤波的视频目标跟踪方法,属于视频信息处理与模式识别【技术领域】。该方法包括步骤:利用相邻帧差法得到视频序列中的运动目标;根据获取的完整目标对应的区域,建立跟踪目标模型,并构建目标模型的ASIFT特征向量;采用粒子滤波技术预测候选区域目标,并构建候选目标模型的ASIFT特征向量;对跟踪目标特征向量与候选区域目标特征向量进行匹配;采用RANSAC算法对错误匹配进行剔除;更新目标模型,实现目标跟踪。本发明能够在亮度变化、遮挡情况下能够准确快速地跟踪目标,有较好的实时性和鲁棒性。
【专利说明】一种视频监控中的多目标跟踪方法
【技术领域】
[0001]本发明属于视频信息处理与模式识别【技术领域】,具体是一种视频监控中的多目标跟踪方法。
【背景技术】
[0002]目标跟踪一直是机器视觉、人工智能和模式识别领域基础。目标跟踪可广泛应用于导航定位、军事制导、安全监控等行业。
[0003]目标跟踪是利用已知的目标位置信息和目标连续性在一段序列图像上找到感兴趣的运动目标。目前针对视频监控中的目标跟踪方法有多种,如基于粒子滤波的跟踪方法、基于Mean Shift的跟踪方法、基于卡尔曼滤波的目标跟踪方法等。但这些传统的方法在目标被遮挡和周围环境存在干扰时(如噪声、光照),容易出现丢失目标、跟踪窗口偏离等现象,导致跟踪失败。
[0004]利用基于特征点对视频图像进行多个目标跟踪的方法具有较高的鲁棒性,例如基于SIFT(Scale Invariant Feature Transform, SIFT)特征的目标跟踪技术,能够在目标出现旋转、尺度变换和亮度变换的情况下,仍然能够对目标进行稳定的识别。但是,该技术不具备较高的抗仿射性,在目标匹配精度上也存在不足,对于形变较大的目标,容易出现目标丢失。再者,该方法在实时性上也同样存在缺陷。
【发明内容】
[0005]针对以上现有技术中的不足,本发明的目的在于提供一种视频监控中的多目标跟踪方法,用仿射-尺度不变特征转换(Affine-SIFT,ASIFT)特征对目标模型进行描述,接着利用粒子滤波方法对运动目标进行搜索,最后通过改进的ASIFT匹配算法对目标区域进行特征匹配,进行目标模型更新,实现目标跟踪。在光照变化环境和目标发生遮挡情况下,提高跟踪的准确性、鲁棒性和实时性。
[0006]本发明的一种视频监控中的多目标跟踪方法,用相邻帧差法检测出运动目标,对检测出的运动目标建立跟踪目标模型,并构建目标模型的ASIFT特征向量;采用粒子滤波预测候选区域目标,并建立候选目标模型的ASIFT特征向量,对跟踪目标特征向量与候选区域目标特征向量进行匹配,采用RANSAC算法对错误匹配进行剔除,更新目标模型,实现目标跟踪,包括以下步骤:
[0007]步骤A:读取视频图像初始帧,采用相邻帧差法对视频序列中的运动目标进行检测;
[0008]读取视频图像初始帧,对视频中相邻两帧的图像相应像素值进行差值计算,
[0009]Dk (x, y) = fk(x, y)-fk+1(x, y)
[0010]Dk ={^
[0011]其中,fk(x,y)为当前帧的图像,fk+1(x,y)为当前帧图像相邻的下一帧图像;Dk为两帧图像差的绝对值,Dk = I为运动目标区域;其中Ttl = 0.7 ;
[0012]步骤B:构建跟踪目标模型的仿射-尺度不变特征转换(Affine-SIFT, ASIFT)特征向量A ;具体步骤为:
[0013]步骤BI,对运动目标区域进行仿射变换参数,在运动目标区域中,对纬度角Θ采用等比数列采样:1, a, a2...an, a>l,其中a =^2 ? η = 5 ;对经度角0进行等差采样:0,b/t,...kb/t,其中b = 72。, t = I Ι/cos Θ I,k为满足条件kb/t〈180°的最后一个整数;
[0014]步骤B2,对运动目标区域进行仿射变换,利用得到的序列参数进行计算:
,
【权利要求】
1.一种视频监控中的多目标跟踪方法,用相邻帧差法检测出运动目标,对检测出的运动目标建立跟踪目标模型,并构建目标模型的ASIFT特征向量;采用粒子滤波预测候选区域目标,并建立候选目标模型的ASIFT特征向量,对跟踪目标特征向量与候选区域目标特征向量进行匹配,采用RANSAC算法对错误匹配进行剔除,更新目标模型,实现目标跟踪,包括以下步骤: 步骤A:读取视频图像初始帧,采用相邻帧差法对视频序列中的运动目标进行检测; 读取视频图像初始帧,对视频中相邻两帧的图像相应像素值进行差值计算,
其中,fk(x, y)为当前帧的图像,fk+1 (χ, y)为当前帧图像相邻的下一帧图像;Dk为两帧图像差的绝对值,Dk = I为运动目标区域;其中Ttl = 0.7 ; 步骤B:构建跟踪目标模型的仿射-尺度不变特征转换(Affine-SIFT,ASIFT)特征向量A ;具体步骤为: 步骤BI,对运动目标区域进行仿射变换参数,在运动目标区域中,对纬度角Θ采用等比数列采样:1,a, a2...an, a>l,其中a ~4?,η = 5 ;对经度角0进行等差采样:0,b/t,...kb/t,其中b = 72。, t = I Ι/cos Θ I,k为满足条件kb/t〈180°的最后一个整数;步骤B2,对运动目标区域进行仿射变换,利用得到的序列参数进行计算:,
其中,I为运动目标区域,I ‘为仿射变换后的运动目标区域; 步骤Β3,对仿射模拟变换后的运动目标区域进行SIFT特征点检测; 步骤Β4、对运动目标区域的特征点进行向量描述,构建128维的ASIFT特征向量; 步骤Β5、对ASIFT特征向量采用主成分量分析法(PCA)进行空间降维得到特征向量A ; 步骤C,读取下一帧图像; 步骤D,采用粒子滤波法对步骤C中读取的图像预测候选区域目标,并构建候选目标模型的ASIFT特征向量B ;具体步骤是: Dl,对运动目标区域,从t时刻的前一帧一组概率样本中随机选择M个粒子样本; D2,对新采集到的M个粒子进行概率重新分布; D3,对M个粒子根据RGB直方图来计算直方图的权重值,然后将M个粒子位置根据权重进行加权平均计算,得到跟踪目标的候选区域; D4,构建候选区域的ASIFT特征向量得到特征向量B ; 步骤E:对运动目标区域特征向量A与候选区域的ASIFT特征向量B进行匹配; 步骤F:采用随机样本一致性RANSAC法进行剔除错误匹配; 步骤G:更新目标模型,返回步骤C,实现目标跟踪。
2.根据权利要求1所述的视频监控中的多目标跟踪方法,其特征是: 步骤B5中,对ASIFT特征向量采用主成分量分析法(PCA)进行空间降维,具体步骤是: B51,获取的每个ASIFT特征点分别描述成一个128维的向量,将特征点作为样本,写出样本矩阵为[Xl,χ2,...,χη]τ,其中η为特征点个数,Xi表示第i个特征点的128维特征向量; B52,计算η个样本的平均特征向量
Β53,计算所有样本点的特征向量与特征平均向量的差,得到差值向量di = X1-1,? = I,2,.", w ;
I I!I B54,构建协方差矩阵:
,其中 Q = [(I1, d2,..., dn]; B55,求协方差矩阵的128个特征值λ i和128个特征向量ei ; B56,将求出的128个特征值按从大到小的顺序进行排列X1S A2^...^ λ 128和对应的特征向量G1, e2...e128); B57,选取对应m个最大特征向量作为主成分的方向; B58,构建一个128*t的矩阵R,它的每一列由t个特征向量组成; B59,把原始的128维ASIFT特征描述符按= Xi^R投影,算出36维度的ASIFT特征描述符li, Y2,…,yn,其中,Xi为原始目标区域的ASIFT特征点的向量表示,Yi为降维后目标区域ASIFT特征点的向量表示。
3.根据权利要求1所述的视频监控中的多目标跟踪方法,其特征是:步骤E中,对运动目标区域特征向量与候选区域的ASIFT特征向量进行匹配运算时,采用基于KD-Tree的近似最近邻搜索方法。
【文档编号】G06T7/20GK104200495SQ201410497957
【公开日】2014年12月10日 申请日期:2014年9月25日 优先权日:2014年9月25日
【发明者】杨丰瑞, 窦绍宾, 吴翠先, 刘欣 申请人:重庆信科设计有限公司