[发明专利]一种基于慢特征分析的多人跟踪方法

说明书

一种基于慢特征分析的多人跟踪方法，包括：采用基于部分的可变形模型方法检测视频中每帧出现的人；获取视频中人的运动轨迹的特征向量；将提取的特征向量作为输入，采用增量慢特征分析方法训练每个轨迹片段的个体传递函数，通过个体传递函数提取每个轨迹片段的慢特征；采用图匹配方法计算轨迹片段间的匹配分数，得到不同轨迹之间的相似性，其中相似性最大的为最佳匹配的轨迹片段，利用最佳匹配轨迹片段更新个体传递函数；重复上述过程，直至测试视频结束；将最佳匹配轨迹片段融合，得到每个跟踪对象的一个轨迹。本发明避免了变化的场景和对象遮挡对轨迹生成可靠性的负面影响，提高了跟踪精度，降低了计算的复杂度。

技术领域

本发明涉及一种多人跟踪方法。特别是涉及一种基于慢特征分析的多人跟踪方法。

背景技术

多目标跟踪已成为过去十年的一个先进研究热点，该技术具有广泛的应用和发展前景^[1]，如目标跟踪和识别，智能视频监控，交通控制，医疗诊断和工业机器人等。多目标跟踪技术近年来取得了巨大的成就，但由于图像的快速变化和对象运动的复杂性，多目标跟踪它也变得非常困难。

近年来，提出了许多方法来处理多人跟踪问题，这些方法主要包含三个关键技术，对象检测，轨迹生成和数据关联。

针对对象检测，已经开发了许多方法以获得准确的结果。Gall等人^[2]利用广义休克变换来处理对象检测，其中单个对象部分的检测对整个对象的质心的可能位置进行概率投票；Sermanet等人^[3]提出了一种完全连接的层被训练以预测用于假定单个对象的本地化任务的框坐标；但这些方法没有带来大的改进。轨迹生成步骤中，可以使用许多传统的跟踪算法^[4]，包括Meanshift和Kalman。然而，遮挡条件通常限制这些方法的性能；Bae等人应用在线提供的检测来增加可靠的轨迹。Wen等人应用检测的空间-时间信息来产生一组可靠的轨迹片段；所有这些方法都用于产生短期轨迹，这使跟踪结果很难有的大的改进。数据关联是跟踪进度中的关键步骤，它决定了最终跟踪的准确性。Perez等人^[5]提出了基于粒子滤波视觉跟踪器融合三个线索的新方法。其跟踪由相机捕获的图像序列中的指定对象或感兴趣区域，并且随着对象的照明，运动和位置的变化而实现良好的鲁棒性，但是其不考虑用于多个对象跟踪的自适应系统；Babenko等人^[6]提出了一种新颖的在线多实例学习(MIL)算法，以避免由于跟踪器中的微小不精确导致的跟踪误差，并且其在对象跟踪中实现了良好的结果。然而，它不能很好地处理自适应问题。

多人跟踪问题目前面临的主要挑战为：在动态变化的复杂场景中，多人跟踪问题受到照明的变化、图像分辨率和多物体遮挡的影响，使得检测和跟踪结果的鲁棒性受到很大制约。

发明内容

本发明所要解决的技术问题是，提供一种能够提高跟踪精度，降低计算的复杂度的基于慢特征分析的多人跟踪方法。

本发明所采用的技术方案是：一种基于慢特征分析的多人跟踪方法，包括如下步骤：

1)采用基于部分的可变形模型方法检测视频中每帧出现的人；

2)获取视频中人的运动轨迹的特征向量；

3)将提取的特征向量作为输入，采用增量慢特征分析方法训练每个轨迹片段的个体传递函数，通过个体传递函数提取每个轨迹片段的慢特征；

4)采用图匹配方法计算轨迹片段间的匹配分数，得到不同轨迹之间的相似性，其中相似性最大的为最佳匹配的轨迹片段，利用最佳匹配轨迹片段更新个体传递函数；

5)重复步骤2)～步骤4)，直至测试视频结束；

6)将最佳匹配轨迹片段融合，得到每个跟踪对象的一个轨迹。

步骤1)首先通过背景差分，得到每个视频帧的运动区域，然后应用基于部分的人体检测器检测前景中的人体。