[发明专利]一种监控视频中多目标的行人检测与跟踪方法

说明书

技术领域

本发明涉及计算机视觉的图像处理领域，尤其涉及一种监控视频中多目标的行人检测与跟踪方法。

背景技术

基于计算机视觉的目标检测与跟踪是机器视觉领域一项重要的课题，并且有广泛的应用场景，如机器人导航、视频监控、智能交通等。行人检测与跟踪是指从视频序列中检测出行人的位置信息，并对运动的行人目标进行连续的跟踪，确定其运动轨迹的过程。

视觉跟踪算法在近几十年得到了比较好的研究和发展。尽管很多有效视觉跟踪策略被不断提出，但是鲁棒的视觉跟踪仍是一项巨大挑战。目标跟踪中需要解决的问题大致有以下几种：目标遮挡下的跟踪、摄像头运动时的跟踪、多目标跟踪、目标尺度变化、复杂场景下的跟踪、目标丢失等。现有的行人检测方法主要分为：基于运动特性的行人检测、基于多部位模板匹配的行人检测以及基于机器学习的行人检测。行人检测作为行人跟踪的前提条件，其检测精度至关重要。现有的行人跟踪方法主要分为：基于模型的跟踪、基于匹配区域的跟踪、基于主动轮廓的跟踪以及基于目标特征的跟踪。其中最常用的是基于目标特征的连续自适应的均值漂移(Camshift)算法。连续自适应的均值漂移算法是一种非参数概率密度估计算法，其核心是均值漂移算法，具有实时性好和算法框架化等优点，但模型仅采用颜色特征，当背景较复杂或者存在许多与目标颜色相似的干扰像素的情况下，容易导致跟踪失败。

因此，提供一种鲁棒性更强、精度更准确的行人检测与跟踪技术是本领域技术人员亟需解决的技术问题。

发明内容

本发明的目的是针对现有技术的不足，提供了一种监控视频中多目标的行人检测与跟踪方法，有效解决了现有的行人检测与跟踪精度低、鲁棒性差、当发生遮挡或形变时容易跟踪失败的问题。

本发明的目的可以通过如下技术方案实现：

一种监控视频中多目标的行人检测与跟踪方法，所述方法包括以下部分：

采用基于深度学习的目标检测网络对第一帧行人图像进行检测，得到相应一个或多个行人目标的初始矩形区域；

计算所述每个行人目标的初始矩形区域在RGB颜色空间中的方向梯度直方图特征矩阵，将方向梯度直方图特征矩阵进行傅里叶变换，变换后的方向梯度直方图特征矩阵进行自相关计算得到核函数矩阵，并进一步利用核函数矩阵与目标类别信息计算岭回归的解，得到的结果即为初始的跟踪模板信息，进行跟踪模板的初始化；

从第二帧行人图像开始，根据跟踪模板的目标区域信息，首先进行金字塔的多尺度构建，并对每一个尺度的行人目标矩形区域都进行方向梯度直方图特征矩阵的提取以及傅里叶域的核函数自相关计算，判断回检条件、对回检的行人目标进行身份重验证以及跟踪模板更新。

进一步地，所述基于深度学习的目标检测网络为训练好的SSD物体检测模型。

进一步地，所述计算每个行人目标的初始矩形区域在RGB颜色空间中的方向梯度直方图特征矩阵，包括以下步骤：

(1)、对所述每个行人目标的初始矩形区域进行滤波去噪处理；

(2)、对滤波去噪处理后的初始矩形区域进行gamma校正；

(3)、分别计算校正后的初始矩形区域中RGB通道下的每个像素的梯度信息；

(4)、将初始矩形区域分割为s×s的小的cell单元格，将每个像素的梯度划分为P级，得到P个方向的梯度特征通道，为每个cell单元格计算P个方向的方向梯度直方图特征；

(5)、把cell单元格组成n×n的大的block，对每个block内的cells进行归一化处理，得到表述特征的方向梯度直方图特征矩阵。

进一步地，所述s的数值范围能够根据初始矩形区域的实际效果进行调整，这里取s＝4或s＝8；所述P的数值范围为P＝9或P＝11；所述n的取值范围为n＝2，能够作为一个参数进行优化。

进一步地，所述金字塔的多尺度构建，具体实现步骤为：根据当前跟踪模板目标矩形区域的尺度信息，设置S个尺度数量，设跟踪模板目标矩形区域的尺度为W×H，W为跟踪模板目标矩形区域的宽，H为跟踪模板目标矩形区域的高，则S个尺度分别为：w＝r^αW，h＝r^αH，其中r是尺度因子，控制尺度的缩放程度，一般取值在1.05左右，α表示尺度的系列数值，通过指数α的值求出尺度缩放比率，w和h分别表示对应α所求尺度的宽和高。

进一步地，所述跟踪模板更新的具体步骤为：

(a)、对跟踪模板的行人目标矩形区域进行方向梯度直方图特征矩阵的提取；