[发明专利]动态视频序列中多目标跟踪系统

说明书

技术领域

本发明涉及的是一种图像处理技术领域的系统，具体是一种基于高斯混合概率假设密度(GM-PHD)滤波的动态视频序列中多目标跟踪系统。

背景技术

视频目标跟踪是视频监控技术的核心技术，广泛应用于对场景的全天候、自动、实时的监控，视觉交通管制，体育视频分析，医疗辅助诊断等领域。所谓视频目标跟踪，就是指对视频图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如目标质心位置、速度、加速度等，以及运动轨迹，从而进行进一步处理与分析，实现对运动目标的行为理解，以完成更高一级的任务。

视频多目标跟踪的困难在于：随着目标在传感器视场下的出现或消失，多目标间发生遮挡，合并及分裂，目标的状态及个数是随着时间变化的，再加上杂波及噪声的影响，使得量测数据和目标之间存在着不确定关系。目前，视频多目标跟踪所面临的挑战之一是目标数变化场景下的目标数和状态的估计。对于量测噪声引起的不确定性，成熟的解决办法有卡尔曼滤波(KF)和粒子滤波(PF)技术。如果将其引入多目标跟踪问题，解决量测和状态的多维性造成的不确定关系是多目标跟踪的核心。传统的多目标跟踪采用“量测-航迹”数据关联技术。Reid等提出的多假设方法(MHT)和Bar-Shalom等提出的联合概率数据关联方法(JPDA)是最具代表性和有效性的两种关联方法，由于方法的组合特性，数据关联方法的共同缺点是计算量庞大。采用随机有限集(RFS)理论进行多目标跟踪是一个新兴的技术，RFS理论框架下的方法将多目标跟踪问题表述为多维贝叶斯滤波器，避免了数据关联计算。其中，Mahler提出的概率假设密度(PHD)滤波及后来学者提出的PHD实现方法最具代表性。PHD使用多目标随机集的后验概率密度的一阶统计量(概率假设密度，即PHD)近似代替多目标的后验概率密度，简化多维贝叶斯滤波递推公式中的积分运算，使得多维贝叶斯滤波的实现成为可能。PHD滤波有两种实现技术，粒子滤波PHD(PF-PHD)技术和高斯混合PHD(GM-PHD)技术。

经对现有技术的文献检索发现，Ya-Dong Wang等人在2006年The International Conference on Pattern Recognition(模式识别国际会议)上发表的“Tracking a variable number of human groups in video using probability hypothesis density(基于概率假设密度的数目变化人群的视频跟踪技术)”中，提出一种基于粒子滤波概率假设密度滤波(PF-PHD)的多目标视频跟踪系统，具体为在目标数变化的多目标视频跟踪系统中引入粒子滤波概率假设密度滤波(PF-PHD)模块。该视频跟踪系统可以有效处理目标数变化的人群跟踪。但该技术存在以下主要缺点：随着目标数增加，采样阶段大量的粒子数和高的粒子维数造成计算复杂问题；状态提取阶段，由于聚类方法的不确定性带来的状态抽取不可靠问题；运动目标检测方法的性能不稳定造成的量测不准确。

发明内容

本发明针对现有技术中存在的上述不足，提供一种基于高斯混合概率假设密度滤波的动态视频序列中多目标跟踪系统。本发明在视频多目标系统中采用GM-PHD实现PHD滤波递推，使用改进的运动目标检测结果作为GM-PHD滤波器的输入，实现了概率假设密度滤波框架下的视频多目标跟踪，解决了动态复杂场景下的目标数变化的多目标视频跟踪问题，具有简化计算、实时性好和鲁棒性强的优点。

本发明是通过以下技术方案实现的：

本发明包括：输入模块、运动目标检测模块、PHD滤波模块和输出模块，其中：运动目标检测模块与输入模块相连传输待处理动态视频序列，PHD滤波模块与运动目标检测模块相连传输目标的位置信息，输出模块与PHD滤波模块相连传输运动目标的状态(位置和速度)估计随机集和目标数估计随机集。

所述的运动目标检测模块包括：背景区域初始化子模块、背景区域更新子模块、前景图像提取子模块、形态学处理子模块和连通域分析子模块，其中：背景区域初始化子模块与输入模块相连传输当前视频中运动目标的位置信息，背景区域更新子模块与输入模块相连传输下一帧的更新背景图像，背景区域更新子模块与背景区域初始化子模块相连传输初始背景图像，前景图像提取子模块与背景区域更新子模块相连传输下一帧的更新背景信息，形态学处理子模块与前景图像提取子模块相连传输二值化后的前景图像，连通域分析子模块与形态学处理子模块相连传输去噪后的前景图像，连通域分析子模块与PHD滤波模块相连传输前景图像中目标的质心位置信息。