过程。
[0145] 与现有技术相比，本发明具有W下优点：
[0146] (1)使用非参数背景建模算法进行前景分割，然后使用线性标记技术进行运动前 景的联通域处理，从而得到干净的前景图，且对光照突变、树叶抖动、水纹等干扰物有较好 的过滤作用；
[0147] (2)将卡尔曼滤波与非参数背景建模算法进行有效结合，可对监控场景中可变数 量的运动目标进行动态的跟踪，利用背景建模算法的结果对卡尔曼滤波的预测结果进行修 正，在并该修正结果的基础对运动目标进行下一帖的预测；
[0148] (3)使用了基于滑动窗口与非参数背景建模相结合的检测技术，通过将非参数背 景建模结果与传统的基于滑动窗口的检测技术相融合，大幅度降低了基于滑动窗口的检测 技术的运算量，在满足实时性要求的同时，也提高了检测结果的准确性；
[0149] (4)采用了基于跟踪与检测的融合技术，发挥了检测与跟踪技术的各自优点，进而 实现了全自动（即非人工初始化）的多目标稳定跟踪。
[0150] W上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施 例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替 换，该些等同的变形或替换均包含在本申请权利要求所限定的范围内。
【主权项】
1. 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法，其特征在于：包括： A、 获取视频帧及相应的灰度图像； B、 采用非参数背景建模法对获取的灰度图像进行运动前景分割，得到视频帧的二值 MASK图； C、 采用实时的线性标记算法对视频帧的二值MASK图进行联通域处理，得到运动目标 联通域； D、 分别采用卡尔曼滤波器和基于滑动窗口的检测方法对运动目标联通域进行跟踪与 检测，从而得到运动目标的跟踪序列与检测序列； E、 将运动目标的跟踪序列与检测序列进行融合，得出最终的目标队列。2. 根据权利要求1所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤A，其包括： Al、从前端摄像头获取视频帧； A2、将视频帧图像转化为CIF格式的图像； A3、将CIF格式的图像转换灰度图像。3. 根据权利要求1所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤B，其包括： B1、对获取的灰度图像中的每个像素点进行非参数背景建模，得到非参数背景模型，所 述非参数背景模型为： B (Xi) = (B1 (Xi)，......，Bk (Xi)，......，Bn (Xi)}， 其中，B(Xi)表示第i个像素点的背景模型，而N表示第i个像素点背景模型的样本数； B2、根据非参数背景模型采用进行运动前景分割，得到视频帧的二值MASK图，所述前 景分割算法采用的分割公式为： F(Xi)=1# ((Iist(Kxi)，BK(Xi))<R(Xi)} <min， 其中，F(Xi)为1表示第i个像素点是前景点，#表示个数，R(Xi)为每个像素点与其背 景模型中样本点的距离的阈值，min为预先设定的前景点距离阈值，I(Xi)为灰度图像中的 像素点，distO函数用于计算两点间的距离。4. 根据权利要求1所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤C，其具体为： 对前景分割后的二值MASK图按照自上到下，从左到右的顺序进行扫描，如果遇到未被 标定的白点，则为该白点赋予一个唯一标签，然后将与该白点在同一联通域轮廓上的所有 点都赋予该唯一标签，并以该轮廓作为一个新联通域的外轮廓；若像素点正下方的点为未 标记点，则此时分两种情况：a)若该点是未标定点，则该点一定是某一内轮廓的起始点；b) 若该点已被标记，则该点是某一联通域外轮廓上的点；其他情况下，像素点的左边点一定是 已经标记过的点，此时将该点设为与其左边点相同的标签。5. 根据权利要求1所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤D，其包括： 采用卡尔曼滤波器对运动目标联通域进行跟踪，从而得到运动目标的跟踪序列； 采用基于滑动窗口的检测方法对运动目标联通域进行检测，从而得到运动目标的检测 序列。6. 根据权利要求5所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述采用卡尔曼滤波器对运动目标联通域进行跟踪，从而得到运动目标的跟 踪序列这一步骤，其包括： D11、根据当前的状态，预测运动目标联通域运动目标在下一帧视频中的具体位置； D12、根据线性标定后的结果，对上一帧中的卡尔曼预测结果进行修正。7. 根据权利要求6所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤Dll，其包括： D111、根据运动目标联通域中物体在前一帧的状态矢量预测下一帧中物体的状态矢 量，所述下一帧中物体的状态矢量Xk的计算公式为： Xk=Axh+Buh， 其中，A为目标的状态控制矩阵，B为输入变量的控制矩阵，Xlrt为物体在前一帧的状态 矢量，I^1为物体的估计速度矢量； Dl12、预测下一帧中物体的误差协方差，所述下一帧中物体的误差协方差Pf的计算公 式为： F*k=APhAT+Q， 其中，T表示转置，Q为输入变量错误协方差矩阵，Q的初始值为二维O矩阵，Plrt为增 益矩阵，Plrt的初始值为二维〇矩阵。8. 根据权利要求7所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述步骤D12,其包括： D121、计算卡尔曼滤波器的增益，所述卡尔曼滤波器的增益Kk的计算公式为： Kk=P,-HT(HPk-HkR)-1, 其中，H为将状态与控制状态相关联的二维矩阵，H的初始值为二维单位矩阵，R为控制 变量协方差矩阵，R的初始值为二维〇矩阵； D122、根据线性标记结果对状态矢量进行更新，所述状态矢量更新的方程为：其中，式为更新后下一帧中物体的状态矢量，毛―为前一帧中的估计状态矢量，zk为观 测变量； D123、根据卡尔曼滤波器的增益对错误协方差进行更新，所述错误协方差的更新公式 为： Pk= (I-KkH)Pk， 其中，Pk为更新后下一帧中物体的错误协方差。9. 根据权利要求5所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法， 其特征在于：所述采用基于滑动窗口的检测方法对运动目标联通域进行检测，从而得到运 动目标的检测序列这一步骤，其包括： D21、采用基于滑动窗口的检测方法对运动目标联通域进行初步检测，得到初步检测结 果； D22、根据检测矩形框的重叠程度对初步检测结果进行聚类； D23、计算聚类后每类的均值，最终根据每类的均值得到所有运动目标的检测队列。10.根据权利要求9所述的基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方 法，其特征在于：所述步骤E，其具体为： 对运动目标跟踪队列中的每一个目标，根据其对应检测队列中的检测结果数目与权重 进行融合，若其对应的检测队列中的结果是唯一的，且检测队列权重高于跟踪队列中所确 认的目标权重，则以检测队列的检测结果作为最终目标队列的结果；反之，则以跟踪队列的 跟踪结果作为最终目标序列的结果。
【专利摘要】本发明公开了一种基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法，包括：获取视频帧及相应的灰度图像；采用非参数背景建模法对获取的灰度图像进行运动前景分割，得到视频帧的二值MASK图；采用实时的线性标记算法对视频帧的二值MASK图进行联通域处理，得到运动目标联通域；分别采用卡尔曼滤波器和基于滑动窗口的检测方法对运动目标联通域进行跟踪与检测，从而得到运动目标的跟踪序列与检测序列；将运动目标的跟踪序列与检测序列进行融合，得出最终的目标队列。本发明采用了跟踪与检测的融合技术，效率更高；运算简单，在满足实时性要求的同时也提高了跟踪检测结果的准确性。本发明可广泛应用于视频监控领域。
【IPC分类】G06T7/20
【公开号】CN104966304
【申请号】CN201510310398
【发明人】孙凯, 贺振中, 黄嘉华
【申请人】深圳市赛为智能股份有限公司
【公开日】2015年10月7日
【申请日】2015年6月8日