一种多类运动目标自动识别与跟踪的方法
【专利摘要】本发明涉及一种多类运动目标自动跟踪与识别的方法，该方法包括：对视频图像序列利用混合高斯模型聚类方法提取各运动目标分别所对应的区域；通过卡尔曼滤波对下一帧视频图像中各运动目标可能出现的区域进行估计，得到下一帧视频图像中各运动目标估计的区域；在所述区域内，提取各运动目标的特征；运用组件分析法将所述提取各运动目标的特征进行多类目标匹配，确定出所述各运动目标的属性，实现对各运动目标的识别；将识别出每一帧视频图像中的同类运动目标，并进行时间上的关联，即实现对该类运动目标的跟踪。本发明方法应用交通拥堵情况自动判别、重点目标行为识别及重点目标监控等场合，识别的目标具有较高的准确性和较好的鲁棒性。
【专利说明】—种多类运动目标自动识别与跟踪的方法
【技术领域】
[0001]本发明涉及对运动目标的识别与跟踪，具体地指一种多类运动目标自动识别与跟踪的方法。
【背景技术】
[0002]在交通视频监控、目标检测、运动目标行为识别及视频检索等领域中，对视频图像中运动目标的跟踪和识别起着十分重要的作用。目前已有的跟踪识别技术存在的主要不足主要体现在两个方面:一是只能跟踪和识别单一类别的目标，如交通流中的小汽车、行人或人脸等，而不能同时跟踪识别不同类的目标；二是运动目标识别的鲁棒性不强，随着场景的光线及目标颜色或外观的变化，目标识别的准确率下降。而随着视频检测应用的不断扩展，在许多监控和识别的场合也迫切需要实现同时监控识别多类运动目标的需求，如在交通视频流中，同时识别汽车、行人及自行车等类型的交通工具，对于城市交通中车流量智能分析、拥堵路段预测及重点安全部位的监控等方面具有重要意义。
[0003]因此，亟待研究一种能够同时识别和跟踪视频图像中多类运动目标的方法。
【发明内容】
[0004]本发明目的在于克服上述现有技术的不足而提供一种多类运动目标自动识别与跟踪的方法，该方法基于混合高斯模型和组件模型分析，实现了多类运动目标的识别与跟踪，同时又保证了多类目标检测的鲁棒性和准确性。
[0005]实现本发明目的采用的技术方案是:一种多类运动目标自动跟踪与识别的方法，其特征在于，包括:
[0006]( I)对视频图像序列利用混合高斯模型聚类方法提取各运动目标分别所对应的区域；
[0007](2)通过卡尔曼滤波对下一帧视频图像中各运动目标可能出现的区域进行估计，得到下一帧视频图像中各运动目标估计的区域；
[0008]( 3 )在步骤(I)所述区域内，提取各运动目标的特征；
[0009](4)运用组件分析法将所述提取各运动目标的特征进行多类目标匹配，确定出所述各运动目标的属性，实现对各运动目标的识别；
[0010](5)在步骤(2)所述下一帧视频图像中各运动目标估计的区域内，提取各运动目标的特征，按步骤(4)实现对下一帧视频图像中各运动目标的识别；
[0011](6)按照步骤(I)?(5)识别出每一帧视频图像中的同类运动目标，并进行时间上的关联，即实现对该类运动目标的跟踪。
[0012]本发明方法利用混合高斯聚类算法和组件模型分析法，在实时提取运动目标区域和离线训练中的目标组件配置最优估计过程中，两次利用混合高斯聚类算法，从而实现了多类运动目标的跟踪检测，同时又保证了多类目标检测的鲁棒性和准确性。因此，本发明方法应用交通拥堵情况自动判别、重点目标行为识别及重点目标监控等场合，具有较好的效果O
[0013]本发明具有以下优点:
[0014]1、本方法根据视频图像中运动目标与背景图像的差异，采用混合高斯模型聚类方法进行前景图像分割，该分割方法对周期运动的背景、缓慢光线变化及图像背景噪声等干扰都具有较好的鲁棒性。
[0015]2、在生成多类已知目标组件模型过程中，运用混合高斯方法对目标组件配置进行最优的估计，从而使得生成的目标组件模型对目标的外观形状变化具有很强的鲁棒性，进而增强了对目标识别的准确性。
[0016]3、由于生成多类已知目标组件模型的训练是在离线状态下进行的，因而对目标组件最优估计的过程即不会降低识别的速度，而且还能大大提高了目标识别的鲁棒性。
【专利附图】
【附图说明】
[0017]图1为本发明多类运动目标自动识别与跟踪的方法流程图。
[0018]图2为采用本发明方法对视频图像中运动目标识别的示意图。
[0019]图3为采用本发明方法对两种目标同时识别的结果示意图。
[0020]图4为采用本发明方法对三种目标同时识别的结果示意图。
【具体实施方式】
[0021]下面结合附图和具体实施例对本发明作进一步的详细说明。
[0022]如图1所示，本发明多类运动目标自动识别与跟踪的方法具体包括以下步骤:
[0023]S100、对视频图像序列，如图2-1所示，利用混合高斯模型聚类方法提取视频图像中各运动目标分别所对应的区域。混合高斯模型聚类方法是通过概率测度方式对静止的背景和运动的前景进行估计，其输出的结果即为从静止的视频图像中提取各类运动目标的区域。该区域是以运动目标区域质心为中心的矩形区域，矩形区域的大小取决于运动目标的大小。提取出的运动区域如图2-2所示。
[0024]S200、通过卡尔曼滤波对下一帧视频图像中各运动目标可能出现的运动区域进行估计，得到下一帧视频图像中各运动目标的估计区域。
[0025]S300、在步骤SlOO所提取各类运动目标的区域中，提取各运动目标的特征。具体地，本实施例提取运动目标的特征是提取各运动目标的梯度方向直方图特征及描述符。
[0026]S400、运用主元分析法对所述梯度方向直方图特征及描述符进行降维处理，得到降维后的待识别目标特征，降微后的结果如图2-3所示。
[0027]因为要实现实时的视频图像处理，因此要尽量在保证识别精度的前提下，提高计算识别的速度。由于没有降维前，提取的目标特征是128维的高维数据，经降维后，变为32维的低维数据，所以，如此处理后可在不明显降低识别精度的情况下，提高了计算速度。
[0028]S500、采用混合高斯模型聚类法对已知目标组件分布特征进行最优估计，并采用支持向量机(SVM)分类器对已知目标特征进行学习，生成多类已知目标的组件模型。本实施例以交通领域中的小汽车、行人、公交车作为已知的目标，通过上述操作生成这些已知目标的组件模型。例如，可以采用1000张相关小汽车的图像进行训练学习，生成该小汽车的模型。[0029]S600、将步骤S400得到降维后的待识别目标特征与步骤S500生成的多类已知目标的组件模型进行匹配，特征匹配的结果如图2-4所示，最后确定出降维后的待识别目标特征在所述多类已知目标组件模型中对应的目标，实现对目标的识别，识别的结果如图2-5所示。
[0030]S700、对步骤S200得到下一帧视频图像中各运动目标的估计区域中各运动目标的估计区域按照步骤S300?S600进行操作，识别出下一帧视频图像中各类运动目标。
[0031]重复上述步骤，识别出视频图像序列中每一帧视频图像中的同类运动目标，并进行时间上的关联，即实现对该类运动目标的跟踪。
[0032]本实施例对具体的视频图像序列按照上述本发明方法进行识别和跟踪，其效果如图3和图4所示。图3为采用本发明方法对两种目标进行识别的效果图，图3中能够对行人和小汽车进行正确的识别，如图3中的方框中的区域，即识别出四辆小汽车和一个行人，再将图3-1、图3-2和图3-3中同一目标按时间顺序关联，即可知道该目标的运动轨迹，从而实现对该目标的跟踪，如斑马线上的小汽车是在进行左转的运动。图4为采用本发明方法对三种目标进行识别的效果图，图4中能够对小汽车、摩托车和人和进行正确的识别，如图4中的方框中的区域，即识别出两辆小汽车、三辆摩托车和两个人，再将图4-1、图4-2和图4-3中同一目标按时间顺序关联，即可知道该目标的运动轨迹，从而实现对该目标的跟踪。
【权利要求】
1.一种多类运动目标自动识别与跟踪的方法，其特征在于，包括: (1)对视频图像序列利用混合高斯模型聚类方法提取各运动目标分别所对应的区域； (2)通过卡尔曼滤波对下一帧视频图像中各运动目标可能出现的区域进行估计，得到下一帧视频图像中各运动目标估计的区域； (3 )在步骤(I)所述区域内，提取各运动目标的特征； (4)运用组件分析法将所述提取各运动目标的特征进行多类目标匹配，确定出所述各运动目标的属性，实现对各运动目标的识别； (5)在步骤(2)所述下一帧视频图像中各运动目标估计的区域内，提取各运动目标的特征，按步骤(4)实现对下一帧视频图像中各运动目标的识别； (6)按照步骤(I)?(5)识别出每一帧视频图像中的同类运动目标，并进行时间上的关联，即实现对该类运动目标的跟踪。
2.根据权利要求1所述多类运动目标自动识别与跟踪的方法，其特征在于，在步骤(3)中，提取各运动目标的特征包括: 提取各运动目标的梯度方向直方图特征及描述符，并运用主元分析法对所述梯度方向直方图特征及描述符进行降维处理，得到降维后的待识别目标特征。
3.根据权利要求2所述多类运动目标自动识别与跟踪的方法，其特征在于，步骤(4)包括: 采用混合高斯模型聚类法对已知目标组件分布特征进行最优估计，并采用支持向量机分类器对已知目标特征进行学习，生成多类已知目标的组件模型； 将所述降维后的待识别目标特征与所述多类已知目标组件模型进行匹配，确定所述降维后的待识别目标特征在所述多类已知目标组件模型中对应的目标，实现对目标的识别。
【文档编号】G06K9/00GK103679156SQ201310752431
【公开日】2014年3月26日 申请日期:2013年12月31日 优先权日:2013年12月31日
【发明者】杨杰, 孙亚东, 伍美俊, 张良俊, 刘海波 申请人:武汉理工大学