视频监控下的多目标实时跟踪方法
【技术领域】
[0001] 本发明公开了视频监控下的多目标实时跟踪方法，属于图像处理的技术领域。
【背景技术】
[0002] 视频中的人体行为分析是近几年来一个研究热点，人体运动检测和跟踪等底层视 觉技术是实现人体行为识别和理解等高层视觉技术的基础。在现有的目标跟踪研究中，常 用到的目标特性主要包括物体的边缘、轮廓等视觉特征和对颜色种类进行统计的统计特 征。颜色特征具有对目标的旋转和局部形变不敏感，鲁棒性好的特点，而且能够在一定程度 上适应目标的尺度变化等诸多优势，在目标跟踪方面得到广泛应用，但是在光照、颜色变化 及有相似颜色干扰时，跟踪结果会出现偏差。边缘信息具有受光照变化的影响小，并且不需 要特定的目标模型等优点，但是人体是非刚性的，边缘、轮廓特征会不断变化，所以基于边 缘的人体跟踪鲁棒性差，准确率低。近些年来也提出了将颜色特征和边缘特征相结合的方 法，虽然提高了目标区分度，但是在发生交错遮挡时目标轮廓变化较大，影响匹配结果的精 确度，该方法提高了准确率和稳定性，但是由于涉及特征多，复杂度高，难以满足实时性的 要求。
[0003] 目前，智能监控对于实时性和准确性的要求越来越高，而传统方法难以满足当今 实际应用的需求。
【发明内容】
[0004] 本发明所要解决的技术问题是针对上述【背景技术】的不足，提供了视频监控下的多 目标实时跟踪方法，考虑了颜色和边缘两种特征描述子以计算前后两帧图像的相似度，通 过给色块边缘直方图相似度、HSI颜色直方图相似度赋予权值以描述目标与前一帧目标的 相似度，提高了准确率和鲁棒性，解决了颜色特征在光照、颜色变化及有相似颜色干扰时会 导致跟踪结果出现偏差、基于边缘的人体跟踪鲁棒性差、颜色与边缘相结合的跟踪方法在 目标交错遮挡时仍然匹配精度差的技术问题。
[0005] 本发明为实现上述发明目的采用如下技术方案：
[0006] 视频监控下的多目标实时跟踪方法，包括如下步骤：
[0007] 对预处理各帧输入图像得到的前景区域进行筛选得到目标区域；
[0008] 获取色块边缘方向直方图以及HSI颜色直方图；
[0009] 在目标搜索范围内计算候选目标与目标模板的相似度并由相似度得到跟踪结果： 描述色块边缘方向直方图相似度、HSI颜色直方图相似度后，给色块边缘方向直方图相似 度、HSI颜色直方图相似度赋予权值以确定候选目标与目标模板的相似度，所述目标模板包 括前一帧输入图像在目标搜索范围中的所有目标。
[0010] 进一步的，所述视频监控下的多目标实时跟踪方法中，获取色块边缘方向直方图 的方法为：
[0011] 使用水平和垂直的两个Sobel算子计算目标区域中各像素的水平梯度以及垂直 梯度，再由水平梯度和垂直梯度得到各像素的梯度方向，对各像素梯度方向量化得到色块 边缘方向直方图。
[0012] 进一步的，所述视频监控下的多目标实时跟踪方法中，目标搜索范围由卡尔曼滤 波方法确定，具体为：根据上一帧输入图像中目标的位置、速度和方向，利用卡尔曼滤波确 定目标在当前帧输入图像中出现的位置范围。
[0013] 进一步的，所述视频监控下的多目标实时跟踪方法，在目标搜索范围内计算候选 目标与目标模板的相似度并由相似度得到跟踪结果这一步骤中，采用巴氏距离描述色块边 缘方向直方图相似度BH、HSI颜色直方图相似度BG，根据表达式：R = 0. 7BH+0. 3BG给色块 边缘方向直方图相似度、HSI颜色直方图相似度赋予权值以确定候选目标与目标模板的相 似度R。
[0014] 更进一步的，所述视频监控下的多目标实时跟踪方法，在目标搜索范围内计算候 选目标与目标模板的相似度并由相似度得到跟踪结果这一步骤由GPU并行与目标数目相 同的线程完成，每一个线程计算其对应目标与目标模板的相似度，排序各线程输出结果得 到最优结果，在最优结果大于或等于阈值时匹配成功，在最优结果仍小于阈值时匹配失败。
[0015] 再进一步的，所述视频监控下的多目标实时跟踪方法中，前景区域采用背景减除 法对输入图像进行预处理。
[0016] 再进一步的，所述视频监控下的多目标实时跟踪方法，对于输入图像中的人体目 标通过包围前景区域的矩形大小筛选新目标。
[0017] 再进一步的，所述视频监控下的多目标实时跟踪方法，通过前景区域中新目标与 其它已有目标距离筛选目标区域。
[0018] 本发明采用上述技术方案，具有以下有益效果：将颜色特征和色块边缘特征相结 合，以考虑了颜色特征和色块边缘特征的巴氏距离描述图像的相似性，提高了准确率和鲁 棒性，并且对匹配过程进行并行化处理，大大降低了处理每帧图像所需要的时间，达到了实 时性的要求。
[0019] 本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0020] 图1为本发明涉及跟踪方法的流程图。
[0021] 图2 (a)至图2 (d)分别为传统的颜色跟踪算法对视频实时跟踪时的第70帧、第78 帧、第85帧、第110帧的实验效果图。
[0022] 图3 (a)至图3 (d)分别为传统的边缘跟踪算法对视频实时跟踪时的第70帧、第78 帧、第85帧、第110帧的实验效果图。
[0023] 图4 (a)至图4 (d)分别为颜色与边缘特征相结合的跟踪算法对视频实时跟踪时的 第70帧、第78帧、第85帧、第110帧的实验效果图。
[0024] 图5 (a)至图5 (d)分别为本发明对视频实时跟踪时的第70帧、第78帧、第85帧、 第110帧的实验效果图。
【具体实施方式】
[0025] 下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例性 的，仅用于解释本发明，而不能解释为对本发明的限制。
[0026] 本发明涉及的视频监控下的多目标实时跟踪方法如图1所示，考虑了颜色和边缘 两种特征描述子以计算前后两帧图像的相似度，通过给色块边缘直方图相似度、HSI颜色直 方图相似度赋予权值以描述目标与前一帧目标的相似度。
[0027] 步骤A、对输入图像进行预处理得到前景区域，然后对各前景区域进行筛选得到新 目标区域：首先使用背景减除法得到前景区域，然后用矩形包围前景区域，通过矩形大小判 断是否为人体，最后通过该目标与已有目标的距离判断是否为新目标。
[0028] 步骤B、利用以下方法提取目标特征：
[0029] 步骤B1、利用以下方法得到目标的色块边缘方向直方图：
[0030] 步骤B101、对于图像中的目标区域，使用水平和垂直的两个Sobel算子计算目标 区域中像素 Pli i (其中，i、j代表像素所在的行数和列数）的水平梯度Gxli j和垂直梯度Gy I j， 从而计算出像素 Pli j的梯度方向Dir (p u)，
[0031] 步骤B102、将Dir(Pu)的取值范围分成η等份，从而将Dir(Pu)进行量化，假设
> 其中，k = 0, 1，2, 3,则对 Dir (Pli j)量化之后的值 N(Pli j) = k。 根据N(Pu)就得到了色块边缘直方图H ;
[0032] 步骤B2、利用以下方法得到目标的HSI (Hue Saturation Intensity)颜色直方 图：
[0033] 步骤B201、将输入的RGB图像转化