專利名稱：動態(tài)視頻序列中多目標跟蹤系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的系統(tǒng)，具體是一種基于高斯混合概率假 設密度(GM-PHD)濾波的動態(tài)視頻序列中多目標跟蹤系統(tǒng)。
背景技術(shù)：
視頻目標跟蹤是視頻監(jiān)控技術(shù)的核心技術(shù)，廣泛應用于對場景的全天候、自動、實 時的監(jiān)控，視覺交通管制，體育視頻分析，醫(yī)療輔助診斷等領(lǐng)域。所謂視頻目標跟蹤，就是指 對視頻圖像序列中的運動目標進行檢測、提取、識別和跟蹤，獲得運動目標的運動參數(shù)，如 目標質(zhì)心位置、速度、加速度等，以及運動軌跡，從而進行進一步處理與分析，實現(xiàn)對運動目 標的行為理解，以完成更高一級的任務。視頻多目標跟蹤的困難在于隨著目標在傳感器視場下的出現(xiàn)或消失，多目標間 發(fā)生遮擋，合并及分裂，目標的狀態(tài)及個數(shù)是隨著時間變化的，再加上雜波及噪聲的影響， 使得量測數(shù)據(jù)和目標之間存在著不確定關(guān)系。目前，視頻多目標跟蹤所面臨的挑戰(zhàn)之一是 目標數(shù)變化場景下的目標數(shù)和狀態(tài)的估計。對于量測噪聲引起的不確定性，成熟的解決辦 法有卡爾曼濾波(KF)和粒子濾波(PF)技術(shù)。如果將其引入多目標跟蹤問題，解決量測和 狀態(tài)的多維性造成的不確定關(guān)系是多目標跟蹤的核心。傳統(tǒng)的多目標跟蹤采用“量測_航 跡”數(shù)據(jù)關(guān)聯(lián)技術(shù)。Reid等提出的多假設方法(MHT)和Bar-Shalom等提出的聯(lián)合概率數(shù) 據(jù)關(guān)聯(lián)方法(JPDA)是最具代表性和有效性的兩種關(guān)聯(lián)方法，由于方法的組合特性，數(shù)據(jù)關(guān) 聯(lián)方法的共同缺點是計算量龐大。采用隨機有限集(RFS)理論進行多目標跟蹤是一個新興 的技術(shù)，RFS理論框架下的方法將多目標跟蹤問題表述為多維貝葉斯濾波器，避免了數(shù)據(jù)關(guān) 聯(lián)計算。其中，Mahler提出的概率假設密度(PHD)濾波及后來學者提出的PHD實現(xiàn)方法最 具代表性。PHD使用多目標隨機集的后驗概率密度的一階統(tǒng)計量(概率假設密度，即PHD) 近似代替多目標的后驗概率密度，簡化多維貝葉斯濾波遞推公式中的積分運算，使得多維 貝葉斯濾波的實現(xiàn)成為可能。PHD濾波有兩種實現(xiàn)技術(shù)，粒子濾波PHD (PF-PHD)技術(shù)和高斯 混合PHD (GM-PHD)技術(shù)。經(jīng)對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，Ya-Dong Wang等人在2006年The International Conference on Pattern Recognition (模式識另Ij 國際會議)上發(fā)表的 “Tracking a variable number of human groups in video using probability hypothesis density (基于概率假設密度的數(shù)目變化人群的視頻跟蹤技術(shù))，，中，提出一種基于粒子濾 波概率假設密度濾波(PF-PHD)的多目標視頻跟蹤系統(tǒng)，具體為在目標數(shù)變化的多目標視 頻跟蹤系統(tǒng)中引入粒子濾波概率假設密度濾波(PF-PHD)模塊。該視頻跟蹤系統(tǒng)可以有效 處理目標數(shù)變化的人群跟蹤。但該技術(shù)存在以下主要缺點隨著目標數(shù)增加，采樣階段大量 的粒子數(shù)和高的粒子維數(shù)造成計算復雜問題；狀態(tài)提取階段，由于聚類方法的不確定性帶 來的狀態(tài)抽取不可靠問題；運動目標檢測方法的性能不穩(wěn)定造成的量測不準確。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術(shù)中存在的上述不足，提供一種基于高斯混合概率假設密度濾 波的動態(tài)視頻序列中多目標跟蹤系統(tǒng)。本發(fā)明在視頻多目標系統(tǒng)中采用GM-PHD實現(xiàn)PHD 濾波遞推，使用改進的運動目標檢測結(jié)果作為GM-PHD濾波器的輸入，實現(xiàn)了概率假設密度 濾波框架下的視頻多目標跟蹤，解決了動態(tài)復雜場景下的目標數(shù)變化的多目標視頻跟蹤問 題，具有簡化計算、實時性好和魯棒性強的優(yōu)點。本發(fā)明是通過以下技術(shù)方案實現(xiàn)的本發(fā)明包括輸入模塊、運動目標檢測模塊、PHD濾波模塊和輸出模塊，其中運動 目標檢測模塊與輸入模塊相連傳輸待處理動態(tài)視頻序列，PHD濾波模塊與運動目標檢測模 塊相連傳輸目標的位置信息，輸出模塊與PHD濾波模塊相連傳輸運動目標的狀態(tài)(位置和 速度)估計隨機集和目標數(shù)估計隨機集。所述的運動目標檢測模塊包括背景區(qū)域初始化子模塊、背景區(qū)域更新子模塊、前 景圖像提取子模塊、形態(tài)學處理子模塊和連通域分析子模塊，其中背景區(qū)域初始化子模 塊與輸入模塊相連傳輸當前視頻中運動目標的位置信息，背景區(qū)域更新子模塊與輸入模塊 相連傳輸下一幀的更新背景圖像，背景區(qū)域更新子模塊與背景區(qū)域初始化子模塊相連傳輸 初始背景圖像，前景圖像提取子模塊與背景區(qū)域更新子模塊相連傳輸下一幀的更新背景信 息，形態(tài)學處理子模塊與前景圖像提取子模塊相連傳輸二值化后的前景圖像，連通域分析 子模塊與形態(tài)學處理子模塊相連傳輸去噪后的前景圖像，連通域分析子模塊與PHD濾波模 塊相連傳輸前景圖像中目標的質(zhì)心位置信息。所述的背景區(qū)域更新子模塊包括當前背景提取單元和更新背景提取單元，其中 當前背景提取單元與背景區(qū)域初始化子模塊相連傳輸初始背景圖像，更新背景提取單元與 當前背景提取單元相連傳輸當前圖像幀的背景信息，更新背景提取單元與前景圖像提取子 模塊相連傳輸下一幀的更新背景信息。所述的形態(tài)學處理子模塊包括腐蝕單元和膨脹單元，其中腐蝕單元與前景圖 像提取子模塊相連傳輸二值化后的前景圖像，膨脹單元與腐蝕單元相連傳輸腐蝕處理后的 前景圖像信息，膨脹單元與連通域分析子模塊相連傳輸去噪后的前景圖像。所述的連通域分析子模塊包括面積分析單元和形心分析單元，其中面積分析 單元與形態(tài)學處理子模塊相連傳輸去噪后的前景圖像，形心分析單元與面積分析單元相連 傳輸去除光斑噪聲后的前景圖像，形心分析單元與PHD濾波模塊相連傳輸前景圖像中目標 的質(zhì)心位置信息。所述的PHD濾波模塊包括高斯元參數(shù)預測子模塊、高斯元更新子模塊、高斯元修 剪子模塊和狀態(tài)抽取子模塊，其中高斯元參數(shù)預測子模塊與高斯元更新子模塊相連傳輸 目標狀態(tài)隨機集PHD的的預測高斯元參數(shù)，高斯元更新子模塊與運動目標檢測模塊相連傳 輸目標的位置信息，高斯元更新子模塊與高斯元修剪子模塊相連傳輸目標狀態(tài)隨機集PHD 的更新后的高斯元參數(shù)，狀態(tài)抽取子模塊與高斯元修剪子模塊相連傳輸更新后的高斯元合 并和刪除后的目標狀態(tài)隨機集PHD的高斯元參數(shù)，狀態(tài)抽取子模塊與輸出模塊相連傳輸目 標狀態(tài)估計隨機集和目標數(shù)估計隨機集。所述的高斯元參數(shù)包括均值、方差和權(quán)值。所述的高斯元參數(shù)預測子模塊包括初始化狀態(tài)預測單元、新生目標狀態(tài)預測單元、孵化目標狀態(tài)預測單元和已有目標狀態(tài)預測單元，其中新生目標狀態(tài)預測單元、孵化 目標狀態(tài)預測單元和已有目標狀態(tài)預測單元分別與初始化狀態(tài)預測單元相連傳輸初始化 目標狀態(tài)隨機集PHD的高斯元參數(shù)，新生目標狀態(tài)預測單元與更新子模塊相連傳輸新生目 標狀態(tài)隨機集PHD的高斯元參數(shù)，孵化目標狀態(tài)預測單元與更新子模塊相連傳輸孵化目標 狀態(tài)隨機集PHD的高斯元參數(shù)，已有目標狀態(tài)預測單元與更新子模塊相連傳輸已有目標狀 態(tài)隨機集PHD的高斯元參數(shù)。所述的高斯元修剪子模塊包括合并高斯元單元和去除高斯元單元，其中合并 高斯元單元與高斯元更新子模塊相連傳輸更新后的目標預測狀態(tài)隨機集PHD的高斯元參 數(shù)，去除高斯元單元與合并高斯元單元相連傳輸合并后的高斯元參數(shù)，去除高斯元單元與 狀態(tài)抽取子模塊相連傳輸去除極小權(quán)值的高斯元參數(shù)。與現(xiàn)有技術(shù)相比，本發(fā)明有益效果是改進的運動目標檢測模塊，為視頻跟蹤系統(tǒng) 提供了較為可靠的量測信息；避免了粒子濾波概率假設密度濾波(PF-PHD)可能出現(xiàn)的計 算復雜問題和目標發(fā)生交叉情況下的狀態(tài)抽取不可靠問題，保證了視頻跟蹤系統(tǒng)的有效性 和可靠性；避免了數(shù)據(jù)關(guān)聯(lián)計算。該技術(shù)簡單有效、易于實施，魯棒性好，可廣泛應用于多目 標視頻監(jiān)控各領(lǐng)域。


圖1是本發(fā)明的系統(tǒng)結(jié)構(gòu)組成示意圖。圖2是實施例中運動目標檢測模塊的檢測結(jié)果示意圖；其中(a)是兩個已存在存在目標的檢測結(jié)果示意圖；(b)是出現(xiàn)一個新生目標時 的檢測結(jié)果示意圖；(c)是兩個目標合并時的檢測結(jié)果示意圖；(d)是兩個目標分開時的檢 測結(jié)果示意圖；(e)是一個目標消失時的檢測結(jié)果示意圖。圖3是實施例中PHD濾波模塊的跟蹤結(jié)果示意圖；其中(a)是兩個已存在存在目標的跟蹤結(jié)果示意圖；(b)是出現(xiàn)一個新生目標時 的跟蹤結(jié)果示意圖；(c)是兩個目標合并時的跟蹤結(jié)果示意圖；(d)是兩個目標分開時的跟 蹤結(jié)果示意圖；(e)是一個目標消失時的跟蹤結(jié)果示意圖。圖4是實施例中實際目標數(shù)和估計目標數(shù)的比較示意圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術(shù)方案為前 提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下 述的實施例。實施例如圖1所示，本實施例包括輸入模塊、運動目標檢測模塊、PHD濾波模塊和輸出模 塊，其中運動目標檢測模塊與輸入模塊相連傳輸待處理動態(tài)視頻序列，PHD濾波模塊與運 動目標檢測模塊相連傳輸目標的位置信息，輸出模塊與PHD濾波模塊相連傳輸運動目標的 狀態(tài)(位置和速度)估計隨機集和目標數(shù)估計隨機集。所述的運動目標檢測模塊包括背景區(qū)域初始化子模塊、背景區(qū)域更新子模塊、前 景圖像提取子模塊、形態(tài)學處理子模塊和連通域分析子模塊，其中背景區(qū)域初始化子模塊與輸入模塊相連傳輸當前視頻中運動目標的位置信息，背景區(qū)域更新子模塊與輸入模塊 相連傳輸下一幀的更新背景圖像，背景區(qū)域更新子模塊與背景區(qū)域初始化子模塊相連傳輸 初始背景圖像，前景圖像提取子模塊與背景區(qū)域更新子模塊相連傳輸下一幀的更新背景信 息，形態(tài)學處理子模塊與前景圖像提取子模塊相連傳輸二值化后的前景圖像，連通域分析 子模塊與形態(tài)學處理子模塊相連傳輸去噪后的前景圖像，連通域分析子模塊與PHD濾波模 塊相連傳輸前景圖像中目標的質(zhì)心位置信息。所述的背景區(qū)域初始化子模塊用于求取多幀含有目標的圖像或手動獲取的背景 圖像的均值作為初始背景圖像。所述的背景區(qū)域更新子模塊包括當前背景提取單元和更新背景提取單元，其中 當前背景提取單元與背景區(qū)域初始化子模塊相連傳輸初始背景圖像，更新背景提取單元與 當前背景提取單元相連傳輸當前圖像幀的背景信息，更新背景提取單元與前景圖像提取子 模塊相連傳輸下一幀的更新背景信息。所述的當前背景提取單元利用當前時刻二值化圖像作為二位掩模提取當前圖像 幀的背景信息。所述的更新背景提取單元將當前時刻的已更新背景與當前圖像幀的背景信息加 權(quán)求和作為下一時刻的更新背景。所述的前景圖像提取子模塊用于將當前圖像幀與更新的背景作差運算并將差值 二值化以獲得二值化后的前景圖像(目標)。所述的形態(tài)學處理子模塊包括腐蝕單元和膨脹單元，其中腐蝕單元與前景圖 像提取子模塊相連傳輸二值化后的前景圖像，膨脹單元與腐蝕單元相連傳輸腐蝕處理后的 前景圖像信息，膨脹單元與連通域分析子模塊相連傳輸去噪后的前景圖像。所述的連通域分析子模塊包括面積分析單元和形心分析單元，其中面積分析 單元與形態(tài)學處理子模塊相連傳輸去噪后的前景圖像，形心分析單元與面積分析單元相連 傳輸去除光斑噪聲后的前景圖像，形心分析單元與PHD濾波模塊相連傳輸前景圖像中目標 的質(zhì)心位置信息。所述的PHD濾波模塊包括高斯元參數(shù)預測子模塊、高斯元更新子模塊、高斯元修 剪子模塊和狀態(tài)抽取子模塊，其中高斯元參數(shù)預測子模塊與高斯元更新子模塊相連傳輸 目標狀態(tài)隨機集PHD的的預測高斯元參數(shù)，高斯元更新子模塊與運動目標檢測模塊相連傳 輸目標的位置信息，高斯元更新子模塊與高斯元修剪子模塊相連傳輸目標狀態(tài)隨機集PHD 的更新后的高斯元參數(shù)，狀態(tài)抽取子模塊與高斯元修剪子模塊相連傳輸更新后的高斯元合 并和刪除后的目標狀態(tài)隨機集PHD的高斯元參數(shù)，狀態(tài)抽取子模塊與輸出模塊相連傳輸目 標狀態(tài)估計隨機集和目標數(shù)估計隨機集。所述的高斯元參數(shù)包括均值、方差和權(quán)值。所述的高斯元參數(shù)預測子模塊包括初始化狀態(tài)預測單元、新生目標狀態(tài)預測單 元、孵化目標狀態(tài)預測單元和已有目標狀態(tài)預測單元，其中新生目標狀態(tài)預測單元、孵化 目標狀態(tài)預測單元和已有目標狀態(tài)預測單元分別與初始化狀態(tài)預測單元相連傳輸初始化 目標狀態(tài)隨機集PHD的高斯元參數(shù)，新生目標狀態(tài)預測單元與更新子模塊相連傳輸新生目 標狀態(tài)隨機集PHD的高斯元參數(shù)，孵化目標狀態(tài)預測單元與更新子模塊相連傳輸孵化目標 狀態(tài)隨機集PHD的高斯元參數(shù)，已有目標狀態(tài)預測單元與更新子模塊相連傳輸已有目標狀
7態(tài)隨機集PHD的高斯元參數(shù)。
所述的高斯元更新子模塊實現(xiàn)將運動目標檢測模塊中得到的量測(目標位置)用于更新目標預測狀態(tài)隨機集PHD的高斯元參數(shù)。
所述的高斯元修剪子模塊包括合并高斯元單元和去除高斯元單元，其中合并高斯元單元與高斯元更新子模塊相連傳輸更新后的目標預測狀態(tài)隨機集PHD的高斯元參數(shù)，去除高斯元單元與合并高斯元單元相連傳輸合并后的高斯元參數(shù)，去除高斯元單元與狀態(tài)抽取子模塊相連傳輸去除極小權(quán)值的高斯元參數(shù)。
所述的狀態(tài)抽取子模塊抽取權(quán)值大于閡值(本實施例取o．5)的高斯元所對應的期望值即為狀態(tài)隨機集，高斯元數(shù)為目標數(shù)隨機集。
本實施例中背景區(qū)域更新子模塊的具體工作過程為
1)取分割后的k時刻的二值圖像P，作為二位掩模，用于去除當前圖像工、中的前景像素。設初始背景圖像B，．，從第二幀開始更新后的背景圖像為B，，則二值圖像P、的二值分割計算公式為
式中d為圖像差的絕對值，ThreSh。ld為閡值，可根據(jù)經(jīng)驗確定為固定閡值也可以采用自適應閡值選取方法(如最大類間方差法等)確定。
2)采用分割后的二值圖像P，作為二位掩模去除當前圖像工、中的目標像素，而其目標區(qū)域占據(jù)的像素由上一時刻更新完成的背景B、的相應位置的像素信息取代，即可得“背景新息”。利用此新息的背景更新公式為
Bk／l一(1一o)Bk+o*Pk．*Bk+o*(1一Pk)．*工k(2)
式中o(o<o<1)表示了利用當前圖像信息進行更新的速度，符號．*表示兩個矩陣中的對應元素相乘。o值選取的越大，表示背景更新速度越快；反之，越慢。
本實施例中目標模型為
1)目標的狀態(tài)方程為線性高斯常速模型
Xk—FXk一1+Vk(3)
其中當以目標質(zhì)心坐標及其速度來描述目標時，狀態(tài)X、可表示為
] Xk一(1。C。川l。C山，Vel。川Vel仙)’(4)
F為狀態(tài)轉(zhuǎn)移矩陣，
狀態(tài)噪聲V，是以Q為協(xié)方差的零均值高斯噪聲，。、為系統(tǒng)噪聲標準差。
上兩式中工．表示n×n單位矩陣，A為采樣周期。
2)系統(tǒng)觀測模型為Zk = Hxk+wk，其中，觀測矩陣H為 觀測噪聲Wk是零均值高斯噪聲，協(xié)方差為Λ = σΧ , σ w為觀測噪聲標準差。本實施例PHD濾波模塊的一些參數(shù)設置如下取每一個目標的生存概率Ps = 0. 9， 目標檢測概率Pd = 0. 99。狀態(tài)噪聲標準差σ ν = 4，觀測噪聲標準差σ w = 2。采樣時間間 隔取為T = 0. 5s。雜波在跟蹤區(qū)域(380*280)像素內(nèi)服從均勻分布，而每一采樣時刻雜波 的數(shù)目服從參數(shù)為λ。= 0. 01的泊松分布(即平均每一幀有0. 01個雜波)。每個雜波的 概率分布 U = (380*280)^ο本實施例中高斯元參數(shù)預測子模塊的具體工作過程為k時刻描述PHD的高斯元參數(shù)為,其中，Jk為k時刻的高斯元的數(shù) 目，mf為k時刻第i個高斯元的均值，<是其權(quán)值，Zf是相應的協(xié)方差。1)對新產(chǎn)生目標進行預測，設k+Ι時刻新產(chǎn)生目標個數(shù)為JY,k+1，則對j = 1，…， JY,k+1 有= 41.，"CM = mrU 'HL = P}!L ,其中丨，mrU ,巧， )+1分別為新生目標高 斯元的權(quán)值，狀態(tài)期望(均值)及協(xié)方差；2)對孵化目標預測，設孵化目標個數(shù)為J0,k+1，則對j = 1，…，J0,k+1，l = 1，…， Jk 有^^ =d{H +F^ ,P^k =Q^k + FlkPk^(FlJ ’其中為孵化目 標高斯元模型的權(quán)值，巧纟，Gg分別為⑶式及(6)式中的狀態(tài)轉(zhuǎn)移矩陣及狀態(tài)噪聲協(xié)方差。3)對繼續(xù)存在目標進行預測計算，設其生存概率為Ps，則對j = 1，…，Jk，按照以 下公式更新權(quán)值，均值及協(xié)方差必二 =Ps^ ^im =FMj" 'P^k =Qln+FkOkY。本實施例中高斯元更新子模塊的具體工作過程為1)利用運動目標檢測模塊得到的量測隨機集記為D (7)式的觀測矩陣H和 量測噪聲協(xié)方差R更新權(quán)值，均值及協(xié)方差。Pd為檢測概率如上實施例中所述，則對未檢測 到的目標用式⑶ (10)更新對 j = 1，…，Jk+1|k，其中 Jk+1|k = ^,1;+1+1110,1;+1+1+1，有^fllt =(1-Ρο)ω(^Μ(8)m[jlx = m[j}m(9)P^ =P^k(10)2)對檢測到的目標更新，即利用運動目標檢測模塊的質(zhì)心坐標作為量測隨機集進 行更新計算，對每一個ζ e Zk+1，計算o^+i)= P0O^mM (Z^i^,S^1)(11)mZr+J) = ^n + K^ (ζ _ )(12)P/m(13)設泊松分布的雜波RFS的概率為κ k (ζ)，對j = 1，…，Jk+1 |k有 實施效果 本實施例測試視頻數(shù)據(jù)庫為由英國、葡萄牙和法國聯(lián)合開展的CAVIAR (ContextAware Vision using Image-based Active Recognition)項目的測試視頻數(shù)據(jù)庫中名為 Meet_Split_3rdGuy測試視頻序列，共有922幀，該視頻序列的獲取采用位置固定的攝像 頭，圖像分辨率為384*288，其中包括了光照不均勻，背景含有來回晃動的人等復雜因素，以 及目標新生，消失，合并及分開等跟蹤場景。在實施例的初始條件下，采用運動目標檢測模塊從圖像序列中分割出目標并提取 其位置坐標作為量測隨機集，在抑制雜波的同時有效實現(xiàn)目標位置參數(shù)的準確快速提取。 運動目標檢測模塊得到的檢測結(jié)果示意圖，如圖2所示，分別給出了兩個已存在目標，一個 新目標出現(xiàn)，兩個目標合并又分開，一個目標消失時的檢測結(jié)果。對運動目標檢測模塊輸出的目標量測隨機集結(jié)合PHD濾波模塊輸出目標狀態(tài)估 計隨機集和目標數(shù)估計隨機集。PHD濾波模塊的跟蹤結(jié)果示意圖，如圖3所示，分別給出 了兩個已存在目標，一個新目標出現(xiàn)，兩個目標合并又分開，一個目標消失時的狀態(tài)估計結(jié) 果，其中白色菱形標識代表了濾波得到的目標狀態(tài)(位置)。如圖4所示，給出了實際目標數(shù)和本實施例估計的目標數(shù)的比較結(jié)果，其中實線 表示實際目標數(shù)，虛線表示估計目標數(shù)。統(tǒng)計結(jié)果顯示，在序列圖像前800幀中正確估計共 662幀，正確率為82. 75%，因此系統(tǒng)具有魯棒性。本實施例采用Intel 2. 2GHz CPU計算機，跟蹤主要包括檢測和濾波兩個過程。對 分辨率為384*288的圖像，檢測計算速度平均每秒9. 6幀，濾波平均每秒17. 2幀，跟蹤的處 理速度平均每秒6. 25幀。濾波的時間復雜度分析k+l時刻GM-PHD的計算量由下式確定， 即(Jk(l+Je,k+1)+JY,k+1) (l+|Zk+1|) =0“|21;+1|)，可見1^1時刻61- 皿計算量線性正比于1^ 時刻高斯元數(shù)目Jk，k+1時刻孵化目標高斯元數(shù)目Je,k+1，k+Ι時刻新生目標高斯元數(shù)目Jy, k+1以及k+Ι時刻量測數(shù)I Zk+11。與此類似，PF-PHD的計算量由描述各項隨機集的粒子數(shù)來 確定(即替代上述GM-PHD計算量表達式中的各項高斯元數(shù)為粒子數(shù)即為PF-PHD計算量的 數(shù)學描述式)，因而在相同情況下計算量大于GM-PHD。因此，本實施例系統(tǒng)具有無需考慮量測與狀態(tài)關(guān)聯(lián)關(guān)系很好地解決了目標數(shù)變化 場景下的多目標狀態(tài)估計問題，避免了粒子濾波概率假設密度濾波系統(tǒng)中可能出現(xiàn)的計算 復雜問題和目標發(fā)生交叉情況下的狀態(tài)抽取不可靠問題，有效的運動目標檢測模塊準確提 取目標位置量測，提高了系統(tǒng)的有效性，魯棒性和實時性。
權(quán)利要求
一種動態(tài)視頻序列中多目標跟蹤系統(tǒng)，包括輸入模塊、PHD濾波模塊和輸出模塊，其特征在于，還包括運動目標檢測模塊，運動目標檢測模塊與輸入模塊相連傳輸待處理動態(tài)視頻序列，PHD濾波模塊與運動目標檢測模塊相連傳輸目標的位置信息，輸出模塊與PHD濾波模塊相連傳輸運動目標的狀態(tài)估計隨機集和目標數(shù)估計隨機集；所述的運動目標檢測模塊包括背景區(qū)域初始化子模塊、背景區(qū)域更新子模塊、前景圖像提取子模塊、形態(tài)學處理子模塊和連通域分析子模塊，其中背景區(qū)域初始化子模塊與輸入模塊相連傳輸當前視頻中運動目標的位置信息，背景區(qū)域更新子模塊與輸入模塊相連傳輸下一幀的更新背景圖像，背景區(qū)域更新子模塊與背景區(qū)域初始化子模塊相連傳輸初始背景圖像，前景圖像提取子模塊與背景區(qū)域更新子模塊相連傳輸下一幀的更新背景信息，形態(tài)學處理子模塊與前景圖像提取子模塊相連傳輸二值化后的前景圖像，連通域分析子模塊與形態(tài)學處理子模塊相連傳輸去噪后的前景圖像，連通域分析子模塊與PHD濾波模塊相連傳輸前景圖像中目標的質(zhì)心位置信息。
2.根據(jù)權(quán)利要求1所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的背景區(qū) 域更新子模塊包括當前背景提取單元和更新背景提取單元，其中當前背景提取單元與 背景區(qū)域初始化子模塊相連傳輸初始背景圖像，更新背景提取單元與當前背景提取單元相 連傳輸當前圖像幀的背景信息，更新背景提取單元與前景圖像提取子模塊相連傳輸下一幀 的更新背景信息。
3.根據(jù)權(quán)利要求1所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的形態(tài)學 處理子模塊包括腐蝕單元和膨脹單元，其中腐蝕單元與前景圖像提取子模塊相連傳輸 二值化后的前景圖像，膨脹單元與腐蝕單元相連傳輸腐蝕處理后的前景圖像信息，膨脹單 元與連通域分析子模塊相連傳輸去噪后的前景圖像。
4.根據(jù)權(quán)利要求1所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的連通域 分析子模塊包括面積分析單元和形心分析單元，其中面積分析單元與形態(tài)學處理子模 塊相連傳輸去噪后的前景圖像，形心分析單元與面積分析單元相連傳輸去除光斑噪聲后的 前景圖像，形心分析單元與PHD濾波模塊相連傳輸前景圖像中目標的質(zhì)心位置信息。
5.根據(jù)權(quán)利要求1所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的PHD濾波 模塊包括高斯元參數(shù)預測子模塊、高斯元更新子模塊、高斯元修剪子模塊和狀態(tài)抽取子模 塊，其中高斯元參數(shù)預測子模塊與高斯元更新子模塊相連傳輸目標狀態(tài)隨機集PHD的的 預測高斯元參數(shù)，高斯元更新子模塊與運動目標檢測模塊相連傳輸目標的位置信息，高斯 元更新子模塊與高斯元修剪子模塊相連傳輸目標狀態(tài)隨機集PHD的更新后的高斯元參數(shù)， 狀態(tài)抽取子模塊與高斯元修剪子模塊相連傳輸更新后的高斯元合并和刪除后的目標狀態(tài) 隨機集PHD的高斯元參數(shù)，狀態(tài)抽取子模塊與輸出模塊相連傳輸目標狀態(tài)估計隨機集和目 標數(shù)估計隨機集；所述的高斯元參數(shù)包括均值、方差和權(quán)值。
6.根據(jù)權(quán)利要求5所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的高斯元 參數(shù)預測子模塊包括初始化狀態(tài)預測單元、新生目標狀態(tài)預測單元、孵化目標狀態(tài)預測單 元和已有目標狀態(tài)預測單元，其中新生目標狀態(tài)預測單元、孵化目標狀態(tài)預測單元和已有 目標狀態(tài)預測單元分別與初始化狀態(tài)預測單元相連傳輸初始化目標狀態(tài)隨機集PHD的高 斯元參數(shù)，新生目標狀態(tài)預測單元與更新子模塊相連傳輸新生目標狀態(tài)隨機集PHD的高斯2元參數(shù)，孵化目標狀態(tài)預測單元與更新子模塊相連傳輸孵化目標狀態(tài)隨機集PHD的高斯元 參數(shù)，已有目標狀態(tài)預測單元與更新子模塊相連傳輸已有目標狀態(tài)隨機集PHD的高斯元參數(shù)。
7.根據(jù)權(quán)利要求5所述的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，其特征是，所述的高斯元 修剪子模塊包括合并高斯元單元和去除高斯元單元，其中合并高斯元單元與高斯元更 新子模塊相連傳輸更新后的目標預測狀態(tài)隨機集PHD的高斯元參數(shù)，去除高斯元單元與合 并高斯元單元相連傳輸合并后的高斯元參數(shù)，去除高斯元單元與狀態(tài)抽取子模塊相連傳輸 去除極小權(quán)值的高斯元參數(shù)。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的動態(tài)視頻序列中多目標跟蹤系統(tǒng)，包括輸入模塊、運動目標檢測模塊、PHD濾波模塊和輸出模塊，其中所述的運動目標檢測模塊包括背景區(qū)域初始化子模塊、背景區(qū)域更新子模塊、前景圖像提取子模塊、形態(tài)學處理子模塊和連通域分析子模塊；所述的PHD濾波模塊包括高斯元參數(shù)預測子模塊、高斯元更新子模塊、高斯元修剪子模塊和狀態(tài)抽取子模塊。本發(fā)明改進的運動目標檢測模塊，為視頻跟蹤系統(tǒng)提供了較為可靠的量測信息；避免了粒子濾波概率假設密度濾波可能出現(xiàn)的計算復雜問題和目標發(fā)生交叉情況下的狀態(tài)抽取不可靠問題，保證了視頻跟蹤系統(tǒng)的有效性和可靠性；避免了數(shù)據(jù)關(guān)聯(lián)計算，可廣泛應用于多目標視頻監(jiān)控各領(lǐng)域。
文檔編號G06T7/20GK101894381SQ20101024573
公開日2010年11月24日 申請日期2010年8月5日 優(yōu)先權(quán)日2010年8月5日
發(fā)明者吳靜靜, 胡士強 申請人:上海交通大學