一種基于動(dòng)態(tài)貝葉斯模型網(wǎng)絡(luò)的對象跟蹤方法和設(shè)備的制作方法
【專利摘要】本發(fā)明公開了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的對象跟蹤方法，該方法包括：對輸入的圖像幀進(jìn)行預(yù)處理，對圖像幀進(jìn)行對象檢測或者前景檢測，得到對象檢測結(jié)果，根據(jù)對象檢測結(jié)果，針對需要跟蹤的新對象初始化對象跟蹤器，并將其添加到對象跟蹤器序列中；根據(jù)對象跟蹤序列中每個(gè)對象的位置提取其在當(dāng)前幀的各種狀態(tài)的多種表觀特征，將對象關(guān)聯(lián)的檢測結(jié)果和各種狀態(tài)的多種表觀特征加入到動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中進(jìn)行分析處理，最終推理出每個(gè)對象在當(dāng)前幀的最優(yōu)位置并更新對象跟蹤序列。本發(fā)明通過引入適合對象跟蹤的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，有效的克服了對象之前相互遮擋對跟蹤性能的影響，提高了對象跟蹤的召回率和跟蹤精度。
【專利說明】ー種基于動(dòng)態(tài)貝葉斯模型網(wǎng)絡(luò)的対象跟蹤方法和設(shè)備
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及監(jiān)控視頻和智能交通領(lǐng)域中的對象跟蹤方法和設(shè)備，特別是ー種基于視頻的對象跟蹤方法和設(shè)備。
【背景技術(shù)】
[0002]在視頻和監(jiān)控領(lǐng)域中，基于對象檢測的對象跟蹤方法，可以依據(jù)對象檢測結(jié)果的性能，更好的排除使用前景跟蹤帶來的背景噪聲。但是，由于監(jiān)控視頻中的對象經(jīng)常發(fā)生嚴(yán)重的相互遮擋，而對象檢測結(jié)果在該種現(xiàn)象中往往檢測性能會(huì)大幅度下降，故此，對象跟蹤方法不能僅僅依靠對象的檢測結(jié)果。
[0003]現(xiàn)有的基于機(jī)器學(xué)習(xí)的使用特征分類器的對象跟蹤方法，都在研究如何使用特征來提高分類器的可信度，但是往往在跟蹤過程中，由于更新方式的選擇過于簡單，使得大量的背景變成正樣本加入到分類器中，并且由于不能保留對象的各種狀態(tài)信息，因而導(dǎo)致跟蹤性能相對較差。
[0004]CN101923716A號中國發(fā)明專利申請“ー種改善粒子濾波跟蹤效果的方法”提出了ー種利用基于顏色直方圖的粒子濾波器跟蹤方法。該方法在于對采樣的新粒子進(jìn)行概率重新分布，然后使用顔色直方圖來計(jì)算粒子的權(quán)重，最后再對粒子的穩(wěn)定性進(jìn)行比較以輸出跟蹤結(jié)果。該方法對于對象跟蹤過于簡單，而且只應(yīng)用了顔色直方圖這ー個(gè)特征，無法到達(dá)在真實(shí)的監(jiān)控視頻場景下的對象跟蹤。
[0005]CN102065275A號中國發(fā)明專利申請“智能監(jiān)控系統(tǒng)中多目標(biāo)跟蹤方法”中提出了可以在真實(shí)監(jiān)控場景下進(jìn)行多目標(biāo)跟蹤的方法。該方法通過對通過對象檢測后，將提取傳統(tǒng)的顏色特征和基于對比度特征進(jìn)行融合，用于目標(biāo)匹配，并為之建立多世代跟蹤隊(duì)列，在采用生命質(zhì)量競爭機(jī)制來達(dá)到最優(yōu)的跟蹤結(jié)果。但是，該方法僅僅是將兩種簡單的特征進(jìn)行融合，不能夠真正的代表跟蹤隊(duì)列的生命質(zhì)量，也不能處理密集監(jiān)控場景下，對象遮擋嚴(yán)重導(dǎo)致表觀特征突變的情形。
[0006]外文文獻(xiàn)“Online Mult1-Person Tracking-by-Detection from aSingle, Uncalibrated Camera”中提出了ー種利用檢測結(jié)果置信度和跟蹤分類器融合來進(jìn)行監(jiān)控場景下對象跟蹤的方法。該方法提出了利用對象檢測結(jié)果提供的可信賴程度，并融合每個(gè)對象跟蹤器的一個(gè)多特征分類器，通過粒子濾波器進(jìn)行預(yù)測，從而找到對象在每ー幀最理想的位置。由于該方法過分依賴于對象檢測結(jié)果，而針對對象的分類器只采用了一種實(shí)時(shí)的更新方式，當(dāng)對象遮擋嚴(yán)重時(shí)，會(huì)產(chǎn)生跟蹤位置漂移以及對象跟蹤位置互換等情況，不適于真正密集的監(jiān)控視頻場景。
[0007]本領(lǐng)域中目前尚無能夠解決上述各種方法所存在的問題的技術(shù)方案，因此如何實(shí)現(xiàn)在真實(shí)監(jiān)控視頻場景下的對象跟蹤并提高檢測性能，成為本領(lǐng)域亟需解決的技術(shù)問題。
[0008]貝葉斯網(wǎng)絡(luò)又稱信度網(wǎng)絡(luò)，是不確定知識(shí)表達(dá)和推理領(lǐng)域最有效的理論模型之一。從1988年由Pearl提出后，已經(jīng)成為近幾年來研究的熱點(diǎn).。一個(gè)貝葉斯網(wǎng)絡(luò)是ー個(gè)有向無環(huán)圖(Directed Acyclic Graph, DAG),由代表變量節(jié)點(diǎn)及連接這些節(jié)點(diǎn)有向邊構(gòu)成。節(jié)點(diǎn)代表隨機(jī)變量，節(jié)點(diǎn)間的有向邊代表了節(jié)點(diǎn)間的互相關(guān)系(由父節(jié)點(diǎn)指向其子節(jié)點(diǎn))，用條件概率進(jìn)行表達(dá)關(guān)系強(qiáng)度，沒有父節(jié)點(diǎn)的用先驗(yàn)概率進(jìn)行信息表達(dá)。節(jié)點(diǎn)變量可以是任何問題的抽象，如:測試值，觀測現(xiàn)象，意見征詢等。適用于表達(dá)和分析不確定性和概率性的事件，應(yīng)用于有條件地依賴多種控制因素的決策，可以從不完全、不精確或不確定的知識(shí)或信息中做出推理。
[0009]動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)理論是貝葉斯網(wǎng)絡(luò)理論的延拓，內(nèi)容涉及推理和學(xué)習(xí)兩大方面，該理論在人工智能、機(jī)器學(xué)習(xí)、自動(dòng)控制領(lǐng)域得到越來越廣泛的應(yīng)用。

【發(fā)明內(nèi)容】

[0010]本發(fā)明的目的在于提供一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的的對象跟蹤方法。
[0011]基于本發(fā)明，可以很好的將對象檢測結(jié)果以及對象跟蹤器在各種狀態(tài)下的多個(gè)表觀特征融合到ー個(gè)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中，利用其推理機(jī)制，即使在對象重度遮擋的情況下，也能正確跟蹤到每個(gè)對象的位置，適用于監(jiān)控場景下的對象跟蹤。
[0012]根據(jù)本發(fā)明的上述發(fā)明目的之一，一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的的對象跟蹤方法，包括步驟:
[0013]預(yù)處理步驟，對輸入的圖像視頻幀進(jìn)行預(yù)處理，包括需要提取各種對象表觀特征的預(yù)處理以及對視頻幀進(jìn)行對象檢測或前景檢測；
[0014]初始化步驟，根據(jù)當(dāng)前視頻幀的對象檢測或前景檢測結(jié)果，對新的對象跟蹤器進(jìn)行初始化，并加入到對象跟蹤器序列中；
[0015]特征提取步驟，對對象跟蹤器提取其各種狀態(tài)的各種表觀特征；
[0016]建模步驟，將對象跟蹤器序列和對象檢測結(jié)果關(guān)聯(lián)，根據(jù)對象跟蹤器序列中每個(gè)對象跟蹤器的狀態(tài)及特征以及它的檢測關(guān)聯(lián)結(jié)果，建立動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型；
[0017]更新步驟，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，融合每個(gè)對象跟蹤器狀態(tài)和特征，找出對象在當(dāng)前幀最優(yōu)的位置信息，并對對象跟蹤器序列進(jìn)行更新。
[0018]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于根據(jù)需要提取的對象各種表觀特征(顔色、紋理和Haar等)，對圖像進(jìn)行相應(yīng)的預(yù)處理。
[0019]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于對每次輸入的圖像幀利用對象檢測算法進(jìn)行對象檢測或者是前景檢測，得到ー組對象檢測結(jié)果。
[0020]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于利用的對象檢測結(jié)果，找到對新的需要跟蹤的對象，然后根據(jù)其所在的位置以及表觀特征進(jìn)行跟蹤器初始化，并加入到對象跟蹤器序列中。
[0021]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于根據(jù)對每個(gè)對象的位置、大小及其表觀信息，提取多種表觀特征(顔色、紋理和Haar等)，并盡可能的保留下每個(gè)對象的多個(gè)狀態(tài)信息，包括初始狀態(tài)，當(dāng)前狀態(tài)，跟其他對象特征最大區(qū)別狀態(tài)。
[0022]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于根據(jù)對每個(gè)對象跟蹤器和每個(gè)對象檢測結(jié)果的位置、大小及其表觀信息進(jìn)行相似性關(guān)聯(lián)，得到ー個(gè)關(guān)聯(lián)矩陣，然后對這個(gè)關(guān)聯(lián)矩陣使用匈牙利算法，找出每個(gè)對象跟蹤器所關(guān)聯(lián)的對象檢測結(jié)果，并將這個(gè)檢測結(jié)果作為對象當(dāng)前幀的幀內(nèi)信息加入到整體的動(dòng)態(tài)貝葉斯模型中。
[0023]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于利用提取的對象跟蹤器的各種狀態(tài)的表觀信息作為對象當(dāng)前幀的幀間信息加入到整體的動(dòng)態(tài)貝葉斯模型中。
[0024]根據(jù)本發(fā)明進(jìn)ー步的發(fā)明目的，其特征在于根據(jù)所得的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，推導(dǎo)出每個(gè)對象跟蹤器在動(dòng)態(tài)貝葉斯網(wǎng)中的最優(yōu)值，即可以找到對象在當(dāng)前幀的最優(yōu)位置。然后根據(jù)得到的信息更新當(dāng)前的對象跟蹤器序列，刪除已經(jīng)離開場景的對象，并輸出，每個(gè)對象當(dāng)前幀的位置信息。
[0025]根據(jù)本發(fā)明的另ー發(fā)明目的，基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的對象跟蹤設(shè)備，包括下列裝置:
[0026]預(yù)處理裝置，對輸入的圖像視頻幀進(jìn)行預(yù)處理，包括需要提取各種對象表觀特征的預(yù)處理以及對視頻幀進(jìn)行對象檢測或前景檢測；
[0027]初始化裝置，根據(jù)當(dāng)前視頻幀的對象檢測或前景檢測結(jié)果，對新的對象跟蹤器進(jìn)行初始化，并加入到對象跟蹤器序列中；
[0028]特征提取裝置，對對象跟蹤器提取其各種狀態(tài)的各種表觀特征；
[0029]建模裝置，根據(jù)對象跟蹤器序列中每個(gè)對象跟蹤器的狀態(tài)及特征，建立動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型；
[0030]更新裝置，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，融合每個(gè)對象跟蹤器狀態(tài)和特征，找出對象在當(dāng)前幀最優(yōu)的位置信息，并對對象跟蹤器序列進(jìn)行更新。
[0031]本發(fā)明的方法為對象跟蹤器的構(gòu)建了ー個(gè)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，它融合了對象的各種狀態(tài)下的多種表觀特征(顔色、紋理和Haar等)和對象的檢測關(guān)聯(lián)結(jié)果，并通過分析處理找到對象在當(dāng)前幀的最優(yōu)位置，可適用于監(jiān)控場景下的對象檢測。
【專利附圖】

【附圖說明】
[0032]圖1為基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的對象跟蹤方法在處理每ー幀的方法框圖；
[0033]圖2為圖像預(yù)處理框架圖；
[0034]圖3a為用于提取對象多種表觀特征中使用多特征分類器訓(xùn)練階段的示意圖；
[0035]圖3b、3c、3d為代表對象跟蹤器多種狀態(tài)信息的多種更新方式分類器的三種實(shí)施方式示意圖；
[0036]圖4為關(guān)聯(lián)檢測結(jié)果不意圖；
[0037]圖5為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型圖。
【具體實(shí)施方式】
[0038]為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明作進(jìn)ー步詳細(xì)的說明。
[0039]參見圖1，圖1為基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的對象跟蹤方法在處理每ー幀的方法框圖。
[0040]如圖1所示，對輸入的圖像視頻幀進(jìn)行圖像預(yù)處理，方便以后的多特征提取。
[0041]對經(jīng)過圖像預(yù)處理的圖像幀進(jìn)行對象檢測或者前景檢測，從而得到ー組對象檢測結(jié)果。根據(jù)本發(fā)明的一個(gè)實(shí)施方式，對象檢測結(jié)果只利用對象檢測算法或者背景減除算法或者人工標(biāo)注的對象在視頻幀中的位置。根據(jù)本發(fā)明的一個(gè)實(shí)施方式，對象檢測結(jié)果是對象在視頻幀中的位置矩形框。
[0042]根據(jù)對象檢測結(jié)果，進(jìn)行跟蹤序列和對象檢測結(jié)果的關(guān)聯(lián)，對于沒有關(guān)聯(lián)的對象檢測結(jié)果，就是需要跟蹤的新對象。針對需要跟蹤的新對象，初始化對象跟蹤器，并將需要跟蹤的新對象(即不再跟蹤列表中的需要建立更新的新的對象檢測結(jié)果)添加到對象跟蹤器序列中。
[0043]根據(jù)對象跟蹤序列中每個(gè)對象的位置提取各個(gè)對象在當(dāng)前幀的各種狀態(tài)的多種表觀特征，表觀特征包括但不限于顏色、紋理和Haar (Haar的說明參見
[0044]http: //blog.csdn.net/zouxy09/article/details/7929570這里有基本解釋。本發(fā)明的重點(diǎn)不在于Haar特征，，不再詳細(xì)對其進(jìn)行說明)
[0045]將對象關(guān)聯(lián)的檢測結(jié)果和各種狀態(tài)的多種表觀特征加入到ー個(gè)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中進(jìn)行分析處理；其中，認(rèn)為ー個(gè)跟蹤器狀態(tài)X，包括其運(yùn)動(dòng)趨勢特性和其表觀特性，用當(dāng)前幀所進(jìn)行的對象檢測關(guān)聯(lián)的那個(gè)結(jié)果作為狀態(tài)X的運(yùn)動(dòng)狀態(tài)各種狀態(tài)的多種表觀特征作為其表觀特征，通過線性加權(quán)，放到動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中預(yù)測出下ー幀的狀態(tài)，隱含狀態(tài)S代表通過投票選出的之前對跟蹤其跟蹤有用的所有表觀特征。
[0046]最終推理出每個(gè)對象在當(dāng)前幀的最優(yōu)位置并更新對象跟蹤序列。模型更新后的該動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的輸出就是最后得到跟蹤結(jié)果序列，并且更新了新ー幀的各種狀態(tài)。
[0047]圖2為本發(fā)明提出的圖像預(yù)處理的系統(tǒng)結(jié)構(gòu)圖。首先針對輸入的原始圖像視頻轉(zhuǎn)換成便于提取特征的顔色通道，例如HSV通道。然后依據(jù)提取的表觀特征，進(jìn)行相應(yīng)的預(yù)處理。如圖2所示，原始的輸入圖像序列進(jìn)入圖像預(yù)處理之后，首先由顔色通道轉(zhuǎn)化模塊進(jìn)行相關(guān)顏色通道的轉(zhuǎn)換，將映射轉(zhuǎn)換的結(jié)果提取出各種表觀特征。根據(jù)本發(fā)明的實(shí)施例，各種表觀特征包括但不限于顏色特征、紋理特征。經(jīng)過映射轉(zhuǎn)換的結(jié)果由顏色特征預(yù)處理模塊進(jìn)行顏色特征預(yù)處理，所述顏色特征預(yù)處理包括但不限于如下處理內(nèi)容:提取全局圖像的顔色直方圖。
[0048]經(jīng)過映射轉(zhuǎn)換的結(jié)果由紋理特征預(yù)處理模塊進(jìn)行紋理特征預(yù)處理，所述紋理特征預(yù)處理包括但不限于如下處理內(nèi)容:提取全局圖像的紋理特征直方圖。
[0049]根據(jù)本發(fā)明的實(shí)施例，以顏色RGB特征和紋理LBP特征預(yù)處理為例(LBP的說明可參見如下網(wǎng)址，因?yàn)槠洳皇潜景l(fā)明的重點(diǎn)，因此說明書中不再詳細(xì)描述其定義http://blog.csdn.net/zouxy09/article/details/7929531),而 Haar 特征則不需要預(yù)處理。
[0050]根據(jù)本發(fā)明的實(shí)施例，本發(fā)明也可以選擇其他特征，例如HSV顔色特征等。同吋，如圖2所示，根據(jù)輸入的圖像幀，由對象檢測/前景檢測模塊通過利用對象檢測算法或前景檢測算法得到對象檢測序列。根據(jù)本發(fā)明的一個(gè)實(shí)施例，使用基于HOG(基于梯度的對象檢測方法)的對象檢測算法或者基于DPM (基于多部分的對象檢測方法)的對象檢測算法等。
[0051]圖3a為用于提取對象多種表觀特征中使用多特征分類器訓(xùn)練階段的示意圖。在分類器訓(xùn)練階段，將對象區(qū)域的特征信息視為分類器的正樣本，其周圍背景的特征信息視為分類器的負(fù)樣本。如圖3a所示，其中“ + ”標(biāo)記為正樣本，“一”標(biāo)記為負(fù)樣本。
[0052]根據(jù)本發(fā)明的實(shí)施例，分類器特征可以使用顔色特征、紋理特征和Haar特征等。分類器的訓(xùn)練方式可以選擇AdaBoost或者多實(shí)例學(xué)習(xí)方式。
[0053]圖3b、圖3c和圖3d為分類器多種更新方式的三種具體實(shí)例，其中每種更新方式的分類器代表對象跟蹤器的一種狀態(tài)信息。
[0054]圖3b代表對象跟蹤器的多特征分類器初始化之后，再也不更新分類器直到分類器終止，該種更新方式的分類器可以保留對象初入視頻場景中的初始狀態(tài)信息。[0055]圖3c代表跟蹤器的多特征分類器初始化之后，每ー幀都會(huì)更新分類器，該種更新方式的分類器可以適應(yīng)對象表觀特征在短期內(nèi)劇烈變化(如發(fā)生遮擋)，即保留對象在當(dāng)前階段的狀態(tài)信息。
[0056]圖3c代表跟蹤器的多特征分類器初始化后，在每ー幀跟其他對象做一次表觀特征對比，如果表觀特征差異值大，則更新分類器，該種更新方式的分類器保留了每個(gè)對象跟其他對象表觀特征差距最大狀態(tài)的信息。
[0057]圖4是關(guān)聯(lián)檢測結(jié)果的示意圖。圖4中的左側(cè)的“行人跟蹤器序列”和上方的“行人檢測結(jié)果序列”表示在圖像中的位置矩形框信息?！瓣P(guān)聯(lián)矩陣”表示什么將兩類矩形框中的位置其表觀信息進(jìn)行關(guān)聯(lián)。行人A、B、C以及行人a、b、c分別代表某ー個(gè)行人。關(guān)聯(lián)值A(chǔ)a分別代表跟蹤序列的行人A的矩形框和對象檢測序列中行人a的矩形框的關(guān)聯(lián)值。
[0058]本發(fā)明在處理每ー幀中，都會(huì)讓對象跟蹤器序列和對象檢測結(jié)果序列做一対一的關(guān)聯(lián)，每個(gè)關(guān)聯(lián)值包括對象的大小、位置和表觀特征值。然后本發(fā)明使用匈牙利算法(匈牙利算法是由匈牙利數(shù)學(xué)家Edmonds于1965年提出，因而得名。匈牙利算法是基于Hall定理中充分性證明的思想，它是部圖匹配最常見的算法，該算法的核心就是尋找增廣路徑，它是ー種用增廣路徑求二分圖最大匹配的算法。)對每個(gè)對象跟蹤器找出跟蹤器不大于ー個(gè)的關(guān)聯(lián)的檢測結(jié)果，作為該對象跟蹤器當(dāng)前幀的表觀信息。如果ー個(gè)檢測結(jié)果連續(xù)N幀都沒有關(guān)聯(lián)到對象跟蹤器的話，為此檢測結(jié)果建立ー個(gè)新的對象跟蹤器。如果ー個(gè)對象跟蹤器連續(xù)M幀都沒有關(guān)聯(lián)到一個(gè)檢測結(jié)果，則終止該對象跟蹤器。根據(jù)本發(fā)明的一個(gè)實(shí)施例，N、M是ー個(gè)人工設(shè)定的值，N和M之間沒有相關(guān)性。
[0059]圖5為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型圖。
[0060]其中代表對象Xf'在第i幀在第t幀的狀態(tài)(當(dāng)前幀的運(yùn)動(dòng)和表觀信息)，St代表
所有對象在第t幀的隱含狀態(tài)(用于保存在前面所有幀的每個(gè)對象中最能表達(dá)其對象狀態(tài)的所有表觀特征)，Yt代表對象跟蹤器序列在第t幀觀測位置，即對象序列的最優(yōu)位置。
[0061]本發(fā)明將之前得到對象跟蹤器的檢測關(guān)聯(lián)結(jié)果作為對象在當(dāng)前幀的表觀信息即幀內(nèi)信息，將對象跟蹤器的使用多種更新方式的多特征分類器作為對對象當(dāng)前幀的幀間信息放入到整個(gè)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中，然后通過分析處理，推理出整個(gè)對象跟蹤器在當(dāng)前幀的最優(yōu)位置。具體的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)可以使用粒子濾波器進(jìn)行模擬，也可以使用滑動(dòng)窗ロ的方法進(jìn)行推測。
[0062]本發(fā)明并非僅限于在此明確描述的實(shí)施例。雖然先前的描述和附圖描述了本發(fā)明的優(yōu)選實(shí)施例，但是可以理解:在不脫離本發(fā)明的精神的情況下，在此可以產(chǎn)生各種附加、修改和替換。本領(lǐng)域普通技術(shù)人員很清楚:在不脫離本發(fā)明的精神或本質(zhì)特性的情況下，可以以其他特殊形式、結(jié)構(gòu)、布置、比例、以及利用其他元件、材料和部件來實(shí)現(xiàn)本發(fā)明。本領(lǐng)域的技術(shù)人員將意識(shí)到:本發(fā)明可以使用發(fā)明實(shí)際中使用的結(jié)構(gòu)、布置、比例、材料以及部件和其他的許多修改，這些修改在不脫離本發(fā)明的原理的情況下而特別適應(yīng)于特殊環(huán)境和操作需求。因此，當(dāng)前公開的實(shí)施例在所有方面應(yīng)被理解為說明性的而非對其請求保護(hù)的范圍的限制。
【權(quán)利要求】
1.ー種基于動(dòng)態(tài)貝葉斯模型網(wǎng)絡(luò)的對象跟蹤方法，包括步驟: 預(yù)處理步驟，對輸入的圖像視頻幀進(jìn)行預(yù)處理，包括需要提取各種對象表觀特征的預(yù)處理以及對視頻幀進(jìn)行對象檢測或前景檢測； 初始化步驟，根據(jù)當(dāng)前視頻幀的對象檢測或前景檢測結(jié)果，對新的對象跟蹤器進(jìn)行初始化，并加入到對象跟蹤器序列中； 特征提取步驟，對對象跟蹤器提取其各種狀態(tài)的各種表觀特征； 建模步驟，將對象跟蹤器序列和對象檢測結(jié)果關(guān)聯(lián)，根據(jù)對象跟蹤器序列中每個(gè)對象跟蹤器的狀態(tài)及特征以及它的檢測關(guān)聯(lián)結(jié)果，建立動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型； 更新步驟，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，融合每個(gè)對象跟蹤器狀態(tài)和特征，找出對象在當(dāng)前幀最優(yōu)的位置信息，并對對象跟蹤器序列進(jìn)行更新。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于根據(jù)需要提取的對象各種表觀特征(顔色、紋理和Haar等)，對圖像進(jìn)行相應(yīng)的預(yù)處理。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于對每次輸入的圖像幀利用對象檢測算法進(jìn)行對象檢測或者是前景檢測，得到ー組對象檢測結(jié)果。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于利用的對象檢測結(jié)果，找到對新的需要跟蹤的對象，然后根據(jù)其所在的位置以及表觀特征進(jìn)行跟蹤器初始化，并加入到對象跟蹤器序列中。
5.根據(jù)權(quán)利要求1所述方法，其特征在于根據(jù)對每個(gè)對象的位置、大小及其表觀信息，提取多種表觀特征(顔色、紋理和Ha`ar等)，并盡可能的保留下每個(gè)對象的多個(gè)狀態(tài)信息，包括初始狀態(tài)，當(dāng)前狀態(tài)，跟其他對象特征最大區(qū)別狀態(tài)。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于根據(jù)對每個(gè)對象跟蹤器和每個(gè)對象檢測結(jié)果的位置、大小及其表觀信息進(jìn)行相似性關(guān)聯(lián)，得到ー個(gè)關(guān)聯(lián)矩陣，然后對這個(gè)關(guān)聯(lián)矩陣使用匈牙利算法，找出每個(gè)對象跟蹤器所關(guān)聯(lián)的對象檢測結(jié)果，并將這個(gè)檢測結(jié)果作為對象當(dāng)前幀的幀內(nèi)信息加入到整體的動(dòng)態(tài)貝葉斯模型中。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于利用提取的對象跟蹤器的各種狀態(tài)的表觀信息作為對象當(dāng)前幀的幀間信息加入到整體的動(dòng)態(tài)貝葉斯模型中。
8.根據(jù)權(quán)利要求1所述的方法，其特征在于根據(jù)所得的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，推導(dǎo)出每個(gè)對象跟蹤器在動(dòng)態(tài)貝葉斯網(wǎng)中的最優(yōu)值，即可以找到對象在當(dāng)前幀的最優(yōu)位置。然后根據(jù)得到的信息更新當(dāng)前的對象跟蹤器序列，刪除已經(jīng)離開場景的對象，并輸出，每個(gè)對象當(dāng)前幀的位置信息。
9.基于動(dòng)態(tài)貝葉斯模型網(wǎng)絡(luò)的對象跟蹤設(shè)備，包括下列裝置: 預(yù)處理裝置，對輸入的圖像視頻幀進(jìn)行預(yù)處理，包括需要提取各種對象表觀特征的預(yù)處理以及對視頻幀進(jìn)行對象檢測或前景檢測； 初始化裝置，根據(jù)當(dāng)前視頻幀的對象檢測或前景檢測結(jié)果，對新的對象跟蹤器進(jìn)行初始化，并加入到對象跟蹤器序列中； 特征提取裝置，對對象跟蹤器提取其各種狀態(tài)的各種表觀特征； 建模裝置，根據(jù)對象跟蹤器序列中每個(gè)對象跟蹤器的狀態(tài)及特征，建立動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型； 更新裝置，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，融合每個(gè)對象跟蹤器狀態(tài)和特征，找出對象在當(dāng)前幀最優(yōu)的位置信息，并對對象跟蹤器序列進(jìn)行更新。
【文檔編號】G06T7/20GK103500456SQ201310499912
【公開日】2014年1月8日 申請日期:2013年10月22日 優(yōu)先權(quán)日:2013年10月22日
【發(fā)明者】田永鴻, 蘇馳, 王耀威, 黃鐵軍 申請人:北京大學(xué)