基于卡爾曼濾波與非參數(shù)背景模型的多目標檢測跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及視頻監(jiān)控領(lǐng)域，尤其是一種基于卡爾曼濾波與非參數(shù)背景模型的多目 柄檢測跟蹤方法。
【背景技術(shù)】
[0002] 如何構(gòu)建一個安全和諧的社會治安環(huán)境，從而有效保護國家與人民的生命與財產(chǎn) 安全，是擺在各國政府面前的一個艱難而又亟待解決的重要課題。為此，各國都在安防系統(tǒng) 等基礎(chǔ)建設(shè)上投入了大量的人力和物力，其中各國又W視頻監(jiān)控設(shè)施的部署為其重點建設(shè) 的對象。視頻監(jiān)控系統(tǒng)是安防系統(tǒng)的重要組成部分，其先通過前端視頻采集設(shè)備（如攝像 頭）獲取實時的視頻帖，然后通過人工瀏覽或智能視頻分析等技術(shù)對監(jiān)控場景進行實時監(jiān) 控，是一種防范能力較強的綜合系統(tǒng)。視頻監(jiān)控技術(shù)自20世紀80年代在我國興起后，先后 經(jīng)歷了模擬視頻近距離監(jiān)控、模擬視頻遠距離聯(lián)網(wǎng)監(jiān)控和數(shù)字網(wǎng)絡(luò)視頻監(jiān)控等不同的發(fā)展 階段。
[0003] 隨著視頻監(jiān)控行業(yè)的迅速發(fā)展，在各個國家、地區(qū)每年新部署的監(jiān)控攝像頭W幾 何級數(shù)在增長，該就為如何有效利用該些基礎(chǔ)設(shè)施帶來了挑戰(zhàn)。在該種情況下，采用傳統(tǒng)的 人工瀏覽實時視頻已經(jīng)不再可行，主要原因如下；a)人所能承受的工作強度是有限的，無 法長時間且目不轉(zhuǎn)睛盯著監(jiān)控屏幕，該樣就容易出現(xiàn)異常事件漏報現(xiàn)象；b)視頻圖像采集 設(shè)備（如攝像頭）與視頻顯示設(shè)備數(shù)量完全不對等，例如，在一個小區(qū)里可能會部署有幾百 個攝像頭，但是在其監(jiān)控室內(nèi)可能只會部署4X4、3X3或者更少的顯示設(shè)備，因此監(jiān)控者 就無法對所有攝像頭采集的視頻進行同時瀏覽，而一定要采取輪詢策略來瀏覽，該樣又會 造成異常事件的漏報。
[0004] 智能視頻分析技術(shù)可有效解決W上問題，智能視頻分析技術(shù)產(chǎn)生的背景有兩個： 其一為安防應(yīng)用的相應(yīng)，防止值班人員在面對成百上千的攝像機時，無法真正在風險產(chǎn)生 時預防或干預而大多數(shù)需靠事后回放相關(guān)視頻的現(xiàn)象出現(xiàn)；其二為非安防應(yīng)用，如商業(yè)上 的人流統(tǒng)計和防止化竊等。智能視頻分析技術(shù)的理念是將風險的分析和識別工作轉(zhuǎn)交給計 算機或者巧片，使值班人員從"死盯"監(jiān)視器的工作中解脫出來，當計算機發(fā)現(xiàn)問題時候，產(chǎn) 生報警信號，此時值班人員及時進行響應(yīng)即可。智能視頻分析技術(shù)的主要優(yōu)勢有；a)擁有 快速的反應(yīng)時間，其報警觸發(fā)反應(yīng)時間可W達到毫秒級；b)更有效的監(jiān)視效果，使操作員 只需要注意相關(guān)信息；C)強大的數(shù)據(jù)檢索和分析功能，大大減少了反應(yīng)時間和調(diào)查時間。
[0005] 多目標跟蹤系統(tǒng)，作為視頻分析技術(shù)的核屯、部分，是通過計算機視覺、機器學習、 圖像處理等技術(shù)對視頻中的多個運動目標進行可靠穩(wěn)定跟蹤的。目前的目標跟蹤技術(shù)主要 存在W下不足：
[0006] (1)大多是面向半自動的單目標跟蹤系統(tǒng)，還需要人工的參與，效率較低且無法滿 足多個目標的跟蹤要求；
[0007] 似即使目前已有小部分多目標跟蹤系統(tǒng)，但該些系統(tǒng)運算復雜度過高，較難滿足 視頻監(jiān)控的實時性要求且難W保證跟蹤結(jié)果的準確性。

【發(fā)明內(nèi)容】

[000引為了解決上述技術(shù)問題，本發(fā)明的目的是；提供一種效率高、實時和準確的，基于 卡爾曼濾波與非參數(shù)背景模型的多目標檢測跟蹤方法。
[0009] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0010] 基于卡爾曼濾波與非參數(shù)背景模型的多目標檢測跟蹤方法，包括：
[0011] A、獲取視頻帖及相應(yīng)的灰度圖像；
[0012] B、采用非參數(shù)背景建模法對獲取的灰度圖像進行運動前景分割，得到視頻帖的二 值MASK圖；
[0013] C、采用實時的線性標記算法對視頻帖的二值MASK圖進行聯(lián)通域處理，得到運動 目標聯(lián)通域；
[0014] D、分別采用卡爾曼濾波器和基于滑動窗口的檢測方法對運動目標聯(lián)通域進行跟 蹤與檢測，從而得到運動目標的跟蹤序列與檢測序列；
[0015] E、將運動目標的跟蹤序列與檢測序列進行融合，得出最終的目標隊列。
[0016] 進一步，所述步驟A，其包括：
[0017] A1、從前端攝像頭獲取視頻帖；
[001引 A2、將視頻帖圖像轉(zhuǎn)化為CIF格式的圖像；
[0019] A3、將CIF格式的圖像轉(zhuǎn)換灰度圖像。
[0020] 進一步，所述步驟B，其包括：
[0021] B1、對獲取的灰度圖像中的每個像素點進行非參數(shù)背景建模，得到非參數(shù)背景模 型，所述非參數(shù)背景模型為：
[0022] B(Xi) = {Bi(Xi),......，BK(Xi),......, (x；)},
[0023] 其中，B(Xi)表示第i個像素點的背景模型，而N表示第i個像素點背景模型的樣 本數(shù)；
[0024] B2、根據(jù)非參數(shù)背景模型采用進行運動前景分割，得到視頻帖的二值MASK圖，所 述前景分割算法采用的分割公式為：
[0025]F(Xi)=l#{dist(I(Xi),Bk(Xi)) <R(Xi)}<min，
[0026] 其中，F(xiàn)(Xi)為1表示第i個像素點是前景點，#表示個數(shù)，R(Xi)為每個像素點與 其背景模型中樣本點的距離的闊值，min為預先設(shè)定的前景點距離闊值，I(Xi)為灰度圖像 中的像素點，distO函數(shù)用于計算兩點間的距離。
[0027] 進一步，所述步驟C，其具體為：
[0028] 對前景分割后的二值MASK圖按照自上到下，從左到右的順序進行掃描，如果遇到 未被標定的白點，則為該白點賦予一個唯一標簽，然后將與該白點在同一聯(lián)通域輪廓上的 所有點都賦予該唯一標簽，并W該輪廓作為一個新聯(lián)通域的外輪廓；若像素點正下方的點 為未標記點，則此時分兩種情況；a)若該點是未標定點，則該點一定是某一內(nèi)輪廓的起始 點；b)若該點已被標記，則該點是某一聯(lián)通域外輪廓上的點；其他情況下，像素點的左邊點 一定是已經(jīng)標記過的點，此時將該點設(shè)為與其左邊點相同的標簽。
[0029] 進一步，所述步驟D，其包括：
[0030] 采用卡爾曼濾波器對運動目標聯(lián)通域進行跟蹤，從而得到運動目標的跟蹤序列；
[0031] 采用基于滑動窗口的檢測方法對運動目標聯(lián)通域進行檢測，從而得到運動目標的 檢測序列。
[0032] 進一步，所述采用卡爾曼濾波器對運動目標聯(lián)通域進行跟蹤，從而得到運動目標 的跟蹤序列該一步驟，其包括：
[0033] D11、根據(jù)當前的狀態(tài)，預測運動目標聯(lián)通域運動目標在下一帖視頻中的具體位 置；
[0034] D12、根據(jù)線性標定后的結(jié)果，對上一帖中的卡爾曼預測結(jié)果進行修正。
[0035] 進一步，所述步驟D11，其包括：
[0036] Dill、根據(jù)運動目標聯(lián)通域中物體在前一帖的狀態(tài)矢量預測下一帖中物體的狀態(tài) 矢量，所述下一帖中物體的狀態(tài)矢量Xk的計算公式為：
[0037] Xk=Axk-1+BUk-i，
[003引其中，A為目標的狀態(tài)控制矩陣，B為輸入變量的控制矩陣，Xk_i為物體在前一帖的 狀態(tài)矢量，Uk_i為物體的估計速度矢量；
[0039] D112、預測下一帖中物體的誤差協(xié)方差，所述下一帖中物體的誤差協(xié)方差Pi；的計 算公式為：
[0040] Pk_=APk-iAT+Q，
[0041] 其中，T表示轉(zhuǎn)置，Q為輸入變量錯誤協(xié)方差矩陣，Q的初始值為二維0矩陣，Pk_i為 增益矩陣，Pk_i的初始值為二維0矩陣。
[0042] 進一步，所述步驟D12,其包括：
[0043] D121、計算卡爾曼濾波器的增益，所述卡爾曼濾波器的增益Kk的計算公式為：
[0044] Kk=Pk-HT(HPk-HT+R)-i，
[0045] 其中，H為將輸入狀態(tài)與控制狀態(tài)相關(guān)聯(lián)的二維矩陣，取值為二維單位矩陣，R為 控制變量協(xié)方差矩陣，R的初始值為二維0矩陣；
[0046] D122、根據(jù)線性標記結(jié)果對狀態(tài)矢量進行更新，所述狀態(tài)矢量更新的方程為：
[0047]
[0048] 其中，4為更新后下一帖中物體的狀態(tài)矢量，"V為前一帖中的估計狀態(tài)矢量，Zk 為觀測變量