[发明专利]一种基于人体部位模型的多人体跟踪方法

说明书

本发明提供一种基于人体部位模型的多人体跟踪方法，涉及视频监控技术领域。其包括：获取图像数据，提取其中每个人的人体部位模型并计算颜色特征，得到每个人的部位特征集，集合得到多人体部位特征集列表。然后计算当前帧获得的每个人的部位特征集与上一帧获得的多人体部位特征集列表中每个人的相似度，得到匹配矩阵。再根据匹配矩阵，计算当前帧获得的每个人对上一帧获得的每个人的相似置信度，根据相似度和相似置信度对当前帧获得的目标与上一帧的目标进行匹配，得到跟踪结果。通过该方法能够准确将当前帧的检测目标匹配到上一帧的位置并发现新目标，有效解决多人体跟踪过程中由于人体形变引起的特征差异，导致跟踪失败的问题。

技术领域

本发明涉及视频监控技术领域，且特别涉及一种基于人体部位模型的多人体跟踪方法。

背景技术

智慧社会，智慧城市已经成为目前国内城市建设的一个主要方向，随着人工智能技术的爆发，人工智能已经国家层面的战略和政策。零售行业也提出了新零售的概念和举措，将走向高度智能化、便捷化、自动化、专业化，大大减少中间环节，解放人力。其中，智能无人商店成为了当前零售业最新兴的市场。智能无人商店，就是人工智能与新零售二者结合的产物，就是7x24小时无人值守的，通过人工智能实现购物的全部流程的店铺。这种店铺通过与人工智能系统连接，从用户的进入，到挑选商品，到收银，到离开，全程不需要任何人工参与，便可自助购物。基于视觉识别技术在智能无人商店是未来的发展趋势。商店内的多人体跟踪正是第一代智能无人商店的系统的核心技术之一。

目前主要的无人跟踪技术可以概括为生成式的方法和判别式方法。生成式方法主要在当前帧对目标区域建模，下一帧寻找与模型最相似的区域，也就是预测位置，如卡尔曼滤波技术，粒子滤波，均值漂移(mean-shift)算法等。判别式的方法，采用图像特征结合机器学习的方式，一般被称之为在线学习的方法。以当前帧的目标为正样本，背景为负样本，训练分类器，在下一帧，用训练好的分类器寻找目标。这类方法需要一个在线学习的过程，每帧进行训练，效果比生产式的方法要好。其中比较经典的算法有Struck方法，TLD方法。这些方法都是针对单个目标进行跟踪的方法，即在第一帧时，框定需要跟踪的目标区域，才能进行跟踪。在多目标跟踪的问题上，一般采用目标检测或者运动估计的方法，确定跟踪目标，例如对于人体的检测，采用HOG特征结合SVM的方法或者基于深度学习的目标检测方法等。

尽管目前有许多的不同的跟踪方法，然而在跟踪过程中，最为关键的还是目标的特征，导致跟踪失败的原因主要还是跟踪过程中发生的特征变化。目前，多人体跟踪技术存在的问题以下几个缺点：由于人体尺度变化，引起的特征差异，使得跟踪失败；人体目标相比于其他目标，在运动过程中会发生更多的形变，产生的特征变化；由于部分遮挡问题，引起的目标特征的变化。

发明内容

本发明的目的在于提供一种基于人体部位模型的多人体跟踪方法，此多人体跟踪方法采用人体部位特征进行检测目标匹配的方式实现多人体的跟踪，对人体的跟踪准确，能够在真实场景中实现多人体目标跟踪。

本发明解决其技术问题是采用以下技术方案来实现的。

本发明提出一种基于人体部位模型的多人体跟踪方法，其包括以下步骤：

S1，获取预设区域内的图像数据，提取所述图像数据中每个检测目标的人体部位模型并计算所述人体部位模型的颜色特征，构建每个检测目标的部位特征集，多个检测检测目标的部位特征集构成多人体部位特征集列表；

S2，计算当前帧获得的每个检测目标的部位特征集与上一帧获得的多人体部位特征集列表中每个检测目标的相似度，根据所述相似度得到匹配矩阵；

S3，根据所述匹配矩阵，计算当前帧获得的每个检测目标对上一帧获得的每个检测目标的相似置信度，根据所述相似度和所述相似置信度对当前帧获得的检测目标与上一帧获得的检测目标进行匹配，得到跟踪结果。

进一步地，在本发明较佳实施例中，步骤S3之后，还包括以下步骤：