基于改進tld的監(jiān)控視頻車輛檢測跟蹤方法
【專利摘要】本發(fā)明公開了一種準確性高的、魯棒性好的基于改進TLD的監(jiān)控視頻車輛檢測跟蹤算法，該算法采用基于車輛顏色特征的分塊Cam Shift跟蹤器替代L?K光流的點跟蹤器，通過Cam Shift所獲取的車輛區(qū)域顏色直方圖實現對跟蹤目標的描述，再通過捕捉區(qū)域的顏色直方圖相似性度量實現對跟蹤目標在前后兩幀間運動量的預估；進一步結合隨機森林檢測器獲得車輛目標的粗略位置，以及通過P?N學習實時地對檢測器進行觀測和對跟蹤器進行定位，從而實現有效的車輛檢測跟蹤。
【專利說明】
基于改進TLD的監(jiān)控視頻車輛檢測跟蹤方法
技術領域
[0001] 本發(fā)明涉及智能交通視頻處理領域，尤其是一種準確性高的、魯棒性好的基于改 進TLD的監(jiān)控視頻車輛檢測跟蹤方法。
【背景技術】
[0002] L-K光流法對目標的逐幀跟蹤是在假定無目標消失或完全遮擋的環(huán)境下進行的， 其也被稱為短期跟蹤器。該類跟蹤器通常缺少對發(fā)生跟蹤錯誤后的直接處理，很難在長時 間的目標跟蹤中取得好的效果。目前，人們對該類短期跟蹤方法的研究主要集中在對跟蹤 精度和速度的提高，以及延長跟蹤時間方面，但在跟蹤精度不理想的情況下，卻不能有效避 免跟蹤誤差的積累和漂移現象。近年來，出現了一種新的單目標長時間跟蹤算法TLD (Tracking Learning - Detection)，該算法將跟蹤算法和檢測算法進行結合，從而克服了 目標在跟蹤過程中發(fā)生形變和部分遮擋的問題；同時，該算法引進了一種在線學習機制，將 跟蹤器和檢測器所獲得的結果輸入給學習模塊，又將學習后的模型反饋給跟蹤和檢測模 塊，從而使目標的檢測與跟蹤更加穩(wěn)定有效。然而，由于在跟蹤模塊采用了基于運動一致連 貫性假設的L-K光流法，該算法對周期較短、幀間運動有限、肉眼可見情況下的目標在連續(xù) 幀間的運動具有較好的預測結果，而對于那些大幅度、快速運動的目標，其預測和跟蹤性能 卻尚不理想。

【發(fā)明內容】

[0003] 本發(fā)明是為了解決現有技術所存在的上述技術問題，提供一種準確性高的、魯棒 性好的基于改進TLD的監(jiān)控視頻車輛檢測跟蹤方法。
[0004] 本發(fā)明的技術解決方案是:一種基于改進TLD的監(jiān)控視頻車輛檢測跟蹤方法，其特 征在于按照以下步驟進行： Step 1.輸入第1幀視頻圖像，手動標記出待跟蹤的目標，令η-1; Step 2.初始化隨機森林分類器和Cam Shift跟蹤器； Step 3.令h = h+1，載入第η幀視頻圖像，并利用隨機森林分類器檢測目標，利用Cam Shift跟蹤器跟蹤目標并得到目標框的調整尺度； Step 4.將隨機森林分類器的檢測結果與Cam Shift跟蹤器的跟蹤結果相融合； Step 5.利用P-N學習策略更新隨機森林分類器，獲得目標的位置； Step 6.若視頻已經到達最后一幀，則算法結束;否則，轉入Step 3。
[0005] 所述Step 4如下： Step 4.1如果隨機森林分類器和Cam Shift跟蹤器都有邊界框作為輸出，但隨機森林 分類器有多個相似位置被判定出來，而Cam Shift跟蹤器僅找到一個目標位置，此時以空間 重疊度對若干檢測結果進行聚類分割； Step 4.2如果Cam Shift跟蹤器沒有邊界框輸出，而隨機森林分類器有邊界框輸出， 那么對多個檢測結果以空間重疊度的聚類進行分割，此時采用第一個聚類分割結果作為融 合結果； Step 4.3如果一個相關值較大的聚類決策結果出現，但是該決策結果與Cam Shift跟 蹤器結果相差較遠，則采用該決策結果作為融合結果，然后對Cam Shift跟蹤器重新進行初 始化并丟掉原來認為正確的樣本集； Step 4.4如果Cam Shift跟蹤器有邊界框輸出，而隨機森林分類器并無邊界框輸出， 那么采用Cam Shift跟蹤器輸出的結果作為融合結果； Step 4.5如果隨機森林分類器和Cam Shift跟蹤器均無邊界框輸出，則認為目標消 失。
[0006] 本發(fā)明采用基于車輛顏色特征的分塊Cam Shift跟蹤器替代L-K光流的點跟蹤器， 通過Cam Shift所獲取的車輛區(qū)域顏色直方圖實現對跟蹤目標的描述，再通過捕捉區(qū)域的 顏色直方圖相似性度量實現對跟蹤目標在前后兩幀間運動量的預估;進一步結合隨機森林 檢測器獲得車輛目標的粗略位置，以及通過P-N學習實時地對檢測器進行觀測和對跟蹤器 進行定位，從而實現有效的車輛檢測跟蹤。與現有的技術相比，本發(fā)明提高了在長時間跟蹤 過程中大幅度、快速變化下的運動車輛跟蹤的準確性和魯棒性。
【附圖說明】
[0007] 圖1是本發(fā)明實施例的流程圖。
[0008] 圖2是傾斜角度城市監(jiān)控場景下的檢測跟蹤結果對比圖。
[0009] 圖3是高空城市監(jiān)控視頻場景下的檢測跟蹤結果對比圖。
[0010] 圖4是雨天城市公路監(jiān)控視頻場景下的檢測跟蹤結果對比圖。
[0011] 圖5是斜角高速公路監(jiān)控視頻場景下的檢測跟蹤結果對比圖。
【具體實施方式】
[0012] 如圖1所示:基于改進TLD的監(jiān)控視頻車輛檢測跟蹤算法步驟如下： Step 1.輸入第1幀視頻圖像，并以人工的方式手動標記出待跟蹤的目標，令 Step 2.初始化隨機森林分類器和Cam Shift跟蹤器； Step 3.令》= ?+3,載入第B幀視頻圖像，利用隨機森林分類器檢測目標，利用Cam Shif t跟蹤器跟蹤目標，從而得到目標框的調整尺度； Step 4.將隨機森林分類器的檢測結果與Cam Shift跟蹤器的跟蹤結果相融合； Step 5.利用P-N學習策略更新隨機森林分類器，獲得目標的位置； Step 6.若視頻已經到達最后一幀，則算法結束;否則，轉入Step 3。
[0013] 所述Step 4包含如下步驟： Step 4.1如果隨機森林分類器和Cam Shift跟蹤器都有邊界框作為輸出，但隨機森林 分類器有多個相似位置被判定出來，而Cam Shift跟蹤器僅找到一個目標位置，此時以空間 重疊度對若干檢測結果進行聚類分割； Step 4.2如果Cam Shift跟蹤器沒有邊界框輸出，而隨機森林分類器有邊界框輸出， 那么對多個檢測結果以空間重疊度的聚類進行分割，此時采用第一個聚類分割結果作為融 合結果； Step 4.3如果一個相關值較大的聚類決策結果出現，但是該決策結果與Cam Shift跟 蹤器結果相差較遠，則采用該決策結果作為融合結果，然后對Cam Shift跟蹤器重新進行初 始化并丟掉原來認為正確的樣本集； Step 4.4如果Cam Shift跟蹤器有邊界框輸出，而隨機森林分類器并無邊界框輸出， 那么采用Cam Shift跟蹤器輸出的結果作為融合結果； Step 4.5如果隨機森林分類器和Cam Shift跟蹤器均無邊界框輸出，則認為目標消 失。
[0014]本發(fā)明實施例傾斜角度城市監(jiān)控場景下的檢測跟蹤結果對比如圖2所示。
[0015]本發(fā)明實施例高空城市監(jiān)控視頻場景下的檢測跟蹤結果對比如圖3所示。
[0016] 本發(fā)明實施例雨天城市公路監(jiān)控視頻場景下的檢測跟蹤結果對比如圖4所示。
[0017] 本發(fā)明實施例斜角高速公路監(jiān)控視頻場景下的檢測跟蹤結果對比如圖5所示。
[0018] 本發(fā)明實施例依次在上述不同場景下的程序運行時間對比如表1:
【主權項】
1. 一種基于改進TLD的監(jiān)控視頻車輛檢測跟蹤方法，其特征在于按照w下步驟進行： Step 1.輸入第1帖視頻圖像，手動標記出待跟蹤的目標，令Η二1; St邱2.初始化隨機森林分類器和Cam Shift跟蹤器； Step 3.令η二η-U，載入第η帖視頻圖像，并利用隨機森林分類器檢測目標，利用Cam Shift跟蹤器跟蹤目標并得到目標框的調整尺度； St邱4.將隨機森林分類器的檢測結果與Cam Shift跟蹤器的跟蹤結果相融合； Step 5.利用P-N學習策略更新隨機森林分類器，獲得目標的位置； St邱6.若視頻已經到達最后一帖，則算法結束;否則，轉入Step 3。2. 根據權利要求1所述的基于改進化D的監(jiān)控視頻車輛檢測跟蹤方法，其特征在于所述 St巧4如下： Step 4.1如果隨機森林分類器和Cam Shift跟蹤器都有邊界框作為輸出，但隨機森林 分類器有多個相似位置被判定出來，而Cam Shift跟蹤器僅找到一個目標位置，此時W空間 重疊度對若干檢測結果進行聚類分割； Step 4.2如果Cam Shift跟蹤器沒有邊界框輸出，而隨機森林分類器有邊界框輸出， 那么對多個檢測結果W空間重疊度的聚類進行分割，此時采用第一個聚類分割結果作為融 合結果； Step 4.3如果一個相關值較大的聚類決策結果出現，但是該決策結果與Cam Shift跟 蹤器結果相差較遠，則采用該決策結果作為融合結果，然后對Cam Shift跟蹤器重新進行初 始化并丟掉原來認為正確的樣本集； Step 4.4如果Cam Shift跟蹤器有邊界框輸出，而隨機森林分類器并無邊界框輸出， 那么義用Cam Shift跟掠器輸出的結果作為融合結果； Step 4.5如果隨機森林分類器和Cam Shift跟蹤器均無邊界框輸出，則認為目標消 失。
【文檔編號】G06K9/62GK105844664SQ201610159169
【公開日】2016年8月10日
【申請日】2016年3月21日
【發(fā)明人】宋傳鳴, 王相海, 秦鉅鰲, 劉美瑤, 王凱
【申請人】遼寧師范大學