[发明专利]一种基于颜色和距离聚类的多目标跟踪方法

说明书

本发明提供一种基于颜色和距离聚类的多目标跟踪方法，该方法减少了跟踪目标形变带来的影响，增加目标之间的区分度，并降低了对检测器的依赖程度；该方法结合前后帧的位置信息和目标的直方图信息通过对前景点进行聚类，并计算前景点得分，最后定位目标位置，并不断更新目标的直方图特征和位置信息。

技术领域

本发明涉及数字图像处理领域，更具体地，涉及一种基于颜色和距离聚类的多目标跟踪方法。

背景技术

视频多目标跟踪技术，即对一个视频序列中给定的多个运动目标，在每一帧中分别找出其对应的位置和运动轨迹，持续到视频结束或者目标离开视野范围。多目标跟踪在人工智能领域有着重要价值，如在公共场合视频监控中检测多个目标的动态，在军事领域，用于导弹防御，海洋监视、战场监视。在商业上，则用于客流量统计。然而，由于多目标间的关联性，背景的复杂性，使得多目标跟踪实现相当复杂。目前多目标跟踪算法大体分为两种：

1)基于检测和匹配的方法。这种方法的大致流程为，预先训练一个或多个检测器，如基于Haar特征的Adaboost人头分类器[1]，然后在每一帧中滑动检测每一个区域的响应，得到可能为目标的矩形框，然后对检测到的矩形框提取某种特征，比如直方图特征，再和前一帧的目标进行匹配，从而确定目标。

2)基于模板响应的在线学习方法。这种方法的流程是，对每个目标学习一种特征作为模板，在下一帧的目标邻域中，计算对该模板的响应，从而确定出目标的位置，同时更新模板。如KCF(Kernelized Correlation Filters)[2]等，通过卷积滤波器来实现的跟踪。

然而，已有的多目标跟踪技术尚存在很多不足。基于检测和匹配的方法最大的局限在于跟踪器的好坏很大程度上受检测器的质量的影响，如果检测器检测的效果不好，则直接导致跟踪效果变差，而且很多检测器的效率较低，无法满足实时需求。况且，基于检测的跟踪一般只能检测到某一类物体，所以跟踪器也只能跟踪某一类物体。而基于模板响应的在线学习方法，虽然速度上可以达到很快，但是单一的模板无法满足摄像头下目标的运动变化，诸如人在摄像头下的形变等，把预测的目标位置作为新的训练集去更新模板，容易积累误差，造成模板的漂移。

发明内容

本发明提供一种有效的抑制目标形变带来的影响和降低对检测器的依赖程度的基于颜色和距离聚类的多目标跟踪方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于颜色和距离聚类的多目标跟踪方法，包括以下步骤：

S1：计算距离得分；

S2：计算颜色得分；

S3：加权得分；

S4：聚类；

S5：目标回归；

S6：更新距离和直方图模型。

进一步地，所述步骤S1的具体过程如下：

对当前帧前景中每一个像素点，根据其和前一帧各个目标的距离，计算其属于前一帧中各个目标的可能性作为该点的属于各个目标类别的得分，得分为一个向量，向量的维数表示可能的目标数：

d(p)＝||p-cⁿ||²······(3)

对于一帧图像x_t，应用高斯混合背景建模得到运动区域的前景掩模m_t，m_t是一张二值图像，像素值为1代表的是运动区域，0代表的是背景区域，将把m_t里面为1的像素点所对应x_t的像素点统称为前景点，用集合S_t表示；