[发明专利]一种监控系统的视频跟踪方法

说明书

一种监控系统的视频跟踪方法。系统包含：监控摄像机、IP网络、交换机和客户端组成。通过选定图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块；由跟踪模块进行目标跟踪得到新的目标框位置；由检测模块进行目标检测，通过将待检测窗口依次通过方差分类器，集合分类器和最近邻分类器，判断该检测窗口是否含有所求的目标；再通过综合模块得到最终的目标位置与大小，实现目标跟踪结果。如果目标丢失，则通过检测器重新初始化相关滤波跟踪模块，使得暂时丢失的目标被重新找回，进行新一轮的跟踪与检测，继续完成跟踪任务，实现监控场景下的长时稳定跟踪。

技术领域

本发明涉及视频监控领域，有关图像处理与分析技术，特别是针对视频监控场景下的目标自动跟踪方法。

背景技术

随着信息时代的发展，人们的安防意识逐渐提高，安防问题越来越受到社会各界的关注。视频监控是安防的基础，监控场景中的智能跟踪技术越来越受到人们的青睐。传统的视频监控需要人工进行观察，容易出现监控漏洞，而且视角固定，监控效率低。近年来发展的枪球联动系统，以其同时兼顾看全与看清楚的优点，在视频监控领域有着越来越广泛的应用。通过枪机的广视角对全局进行监控，同时控制球机云台转动进行目标的实时高清的跟踪，看局部细节。但是由于目标外观变形，光照变化，运动模糊，背景相似干扰，尺度变化以及目标完全遮挡等问题的存在，会不同程度地影响目标跟踪的准确性，给目标跟踪带来了极大的挑战。目前在目标跟踪技术上，主要有两种方法：生成式方法和判别式方法。生成式方法主要是对当前帧的目标区域进行建模，下一帧寻找与模型最相似的区域就是预测目标位置，例如：kalman filter，mean shift。判别式方法主要以当前帧的目标区域为正样本，背景区域为负样本，通过机器学习训练分类器，下一帧用训练好的分类器寻找类似目标区域的最优区域，例如：struck。近年来，“相关滤波”方法与基于深度学习的目标跟踪方法逐渐成为了主流的跟踪方法。其中，由于“相关滤波”方法将岭回归的封闭解变换到傅立叶域，并结合了循环矩阵的特性对样本集进行化简，在保持了较高跟踪速度的同时有着良好的跟踪准确度，以其优越的综合表现成为目标跟踪方法中的重要分支。

虽然目前在枪球联动的产品中，目标跟踪技术已经越来越成熟，但在实际的视频监控场景下，某些场景中跟踪的目标会被暂时遮挡，从而导致跟踪失败。因此，即使是性能较好的“相关滤波”方法和基于深度学习的跟踪方法，在实际的视频监控场景下仍然会出现目标暂时丢失的情况。

发明内容

本发明的目的就是提供一种能够在由于目标被完全遮挡导致目标暂时丢失的情况下，能够重新找回丢失的目标，继续完成跟踪任务的方法。

本发明的原理是以“相关滤波”跟踪方法为基础，建立含跟踪模块，检测模块，综合模块和学习模块的智能跟踪系统；在对当前帧初始化跟踪目标的同时初始化检测器，检测器遍历图像生成正负样本集，用于训练分类器；在后续帧中同时进行跟踪和检测，并通过综合模块对跟踪和检测的结果进行综合分析，得到最优的跟踪目标位置；学习模块在整个过程中不断调整正负样本集，优化检测器；当目标由于被遮挡导致目标丢失时，通过判断跟踪置信度是否小于阈值来重新启用检测器，找回丢失的目标。

技术方案如下：

系统包含：监控摄像机、IP网络、交换机和客户端组成。

步骤1：开始目标跟踪任务时，由系统读入视频帧，选定第一帧图像的跟踪目标框，将目标框的位置与大小分别传递给跟踪模块与检测模块并进行跟踪模块和检测模块初始化。

步骤2：跟踪模块初始化，跟踪模块基于“相关滤波”方法设计；“相关滤波”是判别式跟踪方法中的一种，本质是一个利用循环矩阵的特性将岭回归的求解问题变换到傅里叶域，同时利用循环位移近似样本密集采样，加速岭回归求解的过程。跟踪模块初始化主要对给定的跟踪目标框提取HOG特征和Lab颜色特征，通过高斯函数得到目标响应标签图，并求得权重系数矩阵。