一種基于oab算法的多攝像機人體跟蹤方法
【專利摘要】本發(fā)明公開了一種基于OAB算法的多攝像機人體跟蹤方法。它包括以下步驟:(0)利用首先在數(shù)據(jù)集中訓練DPM算法能夠使用的人體模型。(1)在其中一個攝像機中選取跟蹤目標區(qū)域。(2)使用OAB(online boosting)跟蹤算法在選取目標區(qū)域的攝像機中進行跟蹤。(3)用已經(jīng)得到的DPM人體數(shù)據(jù)模型的基礎(chǔ)上在所有的攝像機進行人體檢測。(4)用SURF+FLANN進行匹配,并且匹配的最小值即為所跟蹤的人體。(5)利用找到的人體作為其他攝像機中跟蹤的目標區(qū)域,并且利用OAB算法進行跟蹤。
【專利說明】
-種基于OAB算法的多攝像機人體跟蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設及到視頻監(jiān)控技術(shù)領(lǐng)域,尤其一種基于OAB算法的多攝像機人體跟蹤方 法。
【背景技術(shù)】
[0002] 隨著計算機技術(shù)的進步和機器學習技術(shù)的發(fā)展,攝像機已經(jīng)廣泛應用到人機交 互、導航定位、視頻監(jiān)控等諸多領(lǐng)域,尤其是人們對公共安全和個人安全的日益增長的需 求,大大小小、各種各樣的攝像機分布在商場、家庭、辦公樓、停車場、高速等區(qū)域。在安防市 場的巨大的需求推動之下,再加上響應的硬件條件、信息與通信、H. 264等編解碼技術(shù)的日 趨完善,視頻監(jiān)控技術(shù)正在向數(shù)字化、網(wǎng)絡化、智能化的方向飛速發(fā)展,由過去的單個攝像 機的范圍較小的場景已經(jīng)不能滿足市場的需求,多攝像機將成為視頻監(jiān)控將成為視頻監(jiān)控 的主流。面對越來越大的視頻監(jiān)控網(wǎng)絡,每時每刻都來自海量的視頻監(jiān)控數(shù)據(jù),而且不同時 刻的視頻之間還有復雜的時間和空間上的密切聯(lián)系。
[0003] 在視頻監(jiān)控中,尤其是在多個攝像機中,經(jīng)常會有一些運動的人出現(xiàn)在多個攝像 機區(qū)域。為了能夠跟蹤到多個攝像機中的人,本技術(shù)提出了一種基于OAB的視頻跟蹤算法。 目的是在一個攝像機跟蹤成功后自動在另外一個攝像機中進行尋找所要跟蹤目標,并且進 辛T里艮臣宗。
[0004] 本技術(shù)是在傳統(tǒng)的單攝像機的跟蹤的基礎(chǔ)上進行改進,引入了多重算法,旨在能 在多攝像機中對運動的人體進行跟蹤,為了解決多攝像機中的交接問題,本技術(shù)首先利用 DPM檢測到人體區(qū)域,在此之后利用洲RF檢測到人體區(qū)域的關(guān)鍵點,最后通過FLMN進行匹 配,并將匹配后關(guān)鍵點平均的值排序,最大值所對應的人體即為所對應的跟蹤目標。找到目 柄之后,用OAB跟蹤算法進行跟蹤。
【發(fā)明內(nèi)容】
:
[0005] 本發(fā)明的內(nèi)容在于設計出一套基于多攝像機跟蹤的人體跟蹤算法,可W在多個攝 像機中跟蹤同一個人。
[0006] -種基于OAB算法的多攝像機人體跟蹤方法,包括W下步驟:
[0007] SI:在多攝像機系統(tǒng)的一個攝像機中讀入帖,并在該帖中選定需要跟蹤的對象,記 該攝像機為Camera-1,在該攝像機中用OAB跟蹤算法對后續(xù)帖進行對象跟蹤;將檢測到的跟 蹤對象用矩形框表示出來;
[000引S2:多攝像機系統(tǒng)的其他攝像機讀入帖,并用DPM算法對帖進行人體檢測,將檢測 到的人體在圖片帖中的位置存儲起來,并用矩形框表示出來;
[0009] S3:用洲RF算法對Camera-I中的矩形區(qū)域進行關(guān)鍵點檢測;SURF(Speeded-叩 Robust Fea化res)算法對Camera-I中的矩形區(qū)域進行關(guān)鍵點檢測為本領(lǐng)域較為常用的技 術(shù),具體可參考 Bay H,Tuytelaars T,Gool L V. SURF: Speeded Up Robust Fea1:ures.[J] .Computer Vision&Image Unders1:anding,2006,110(3):404-417;
[0010] S4:用化ANN方法將步驟S2得到的各個矩形區(qū)域與Camera-1中的矩形區(qū)域進行關(guān) 鍵點匹配;
[0011] S5:對步驟S2得到的每個矩形區(qū)域內(nèi)的所有關(guān)鍵點的匹配結(jié)果求平均值,得到每 個矩形區(qū)域的平均值,對每個矩形區(qū)域的平均值進行排序;
[0012] S6:平均值排序的最小值所對應的矩形區(qū)域即為所交接的人體目標區(qū)域;
[0013] S7:對于交接的人體目標在相應的攝像機中使用OAB跟蹤算法進行跟蹤。
[0014] 所述的步驟S4具體為:
[0015] 經(jīng)過SURF算法得到了圖片中關(guān)鍵點的信息及其每個關(guān)鍵點所對應的具有一定維 數(shù)的向量,設向量的維數(shù)為k,在當前圖片中檢測到的向量集合為T= {xi,X2,,,,xn},T中每一 個向量假設夫
鍵點匹配的目標是要在T中找到與目 標向量X相近的向量,
[0016] 關(guān)鍵點匹配過程如下:
[0017] 1)構(gòu)造 kd 樹
[0018] a)構(gòu)造根結(jié)點,WT中所有實例的xW坐標的中位數(shù)為切分點,從而劃分為兩個區(qū) 域,由根結(jié)點生成深度為1的左、右子結(jié)點:左子結(jié)點對應坐標xW小于切分點的子區(qū)域,右 子結(jié)點對應與坐標大于切分點的子區(qū)域;
[0019] b)重復:對深度為j的結(jié)點,W所有實例的坐標的中位數(shù)為切分點,l = j(m〇d k) + l,同樣的也會劃分為兩個子區(qū)域,切分由通過切分點并與坐標軸垂直的超平面實 現(xiàn),由該節(jié)點生成深度為j + 1的左、右子結(jié)點:左子結(jié)點對應于坐標小于切分點的子區(qū) 域,右子結(jié)點對應坐標大于切分點的子區(qū)域,將落在切分超平面上的實例點保存該結(jié) 點' ;
[0020] C)重復步驟b)直到所有子區(qū)域沒有實例存在時停止,從而形成kd樹;
[0021] 2)kd樹的最近鄰捜索
[0022] 首先找到包含目標向量X的葉節(jié)點;然后從該葉子結(jié)點出發(fā),依次回退到父結(jié)點; 不斷查找與目標向量X距離最近的點,當確定不可能存在更近的結(jié)點時終止,得到了離X最 近的關(guān)鍵點。其他關(guān)鍵點的匹配依此類推,完成了所有關(guān)鍵點的匹配。
[0023] 本發(fā)明與現(xiàn)有技術(shù)相比的有益效果是:
[0024] 跟蹤的效率極大的提高?,F(xiàn)有的技術(shù)往往是精度低,在實際可行的方案中,W Meanshift的變體Camshift算法居多。因為Camshift的速度能夠達到實時的效果,Camshift 的基本思想是視頻圖像的所有帖用M e a n S h i f t計算,將上一帖跟蹤的結(jié)果應用到下一帖的 MeansMft的初始值,并且進行運算,如果顏色相近的話,則容易跟丟。而OAB算法的主要思 想是利用多個弱分類器組合成強分類器,可W區(qū)分出跟蹤目標與背景,W達到很高的精度。 另外,SURF是計算速度很可觀的描述子,在CUDA的環(huán)境下,將SURF的內(nèi)部處理并行化,極大 的提高了速度,對于多攝像機跟蹤系統(tǒng)的流楊性起到了很大的作用。
【附圖說明】
[0025] 圖1是基于OAB的多攝像機跟蹤方法總體示意圖;
[0026] 圖2是多攝像機人體目標交接示意圖;
[0027] 圖3是人體區(qū)域匹配示意圖。
【具體實施方式】
[0028] 本發(fā)明利用OAB跟蹤算法W及利用多攝像機的人體交接來進行多攝像機的人體目 標跟蹤。具體的實現(xiàn)包括W下步驟:
[0029] (1)在實際環(huán)境中,往往因不同的環(huán)境而影響DPM檢測算法的精度。為了解決運個 問題,需要收集大量的,與實際環(huán)境相一致的訓練集圖片,去最大限度的減弱環(huán)境的影響。 首先,要收集與應用環(huán)境相一致的正樣本,并且收集一些常用的負樣本。為了提高精度,可 W適當?shù)募尤胍恍├щy樣本到訓練集中的負樣本中去。
[0030] (2)用步驟(1)所得到的訓練集進行訓練,并且得到了 DPM算法的模型文件。
[0031 ] (3)在通過攝像機得到的帖并已經(jīng)選擇了跟蹤區(qū)域后,采用OAB跟蹤算法進行跟 蹤。單攝像機跟蹤算法〇AB(Real-time tracking via on-line Boosting)主要判定了分類 器是不是背景的思想,假設在一個圖片中還有大量的元素,如果有所跟蹤的目標,將跟蹤的 目標劃分為前景,反之,則劃分為背景。為了適應目標模型,需要進行不斷的模型更新。另 夕hOAB跟蹤算法將多個弱分類器合并成一個強的分類器,更能提高了準確度。
[0032] (4)如圖1所示,在已有確定人體的跟蹤區(qū)域的條件下,需要對其他攝像機進行人 體檢測。用(2)所得到的DPM算法的模型文件對其他攝像機中的圖片進行人體檢測。DPM算法 對視頻中的帖檢測,并且定位到帖中的人體區(qū)域。DPM算法是基于一個判別式訓練的、多尺 度的、部分模型。DPM檢測人體的特征是基于稠密算法的HOG特征化iStogram of Oriented Gradients) eDPM采用的是latent SVM的方法,而冊G采用的是I inear SVM的方法來訓練。
[0033] (5)用SURF進行匹配。圖2展示了不同攝像機人體之間的關(guān)系并且顯示了匹配的具 體流程。用SURF在Camera-I和其他的攝像機中的人體區(qū)域進行關(guān)鍵點檢測,并且用FLANN (fast UbraiT for Approximate Nearest Nei曲borhood)的方法將Camera-I的矩形區(qū)域 與其他的攝像機中的各個矩形區(qū)域進行匹配。W兩個攝像機為例,如圖3所示,坐標的攝像 機中的Cl是OAB算法跟蹤的人體,目的是要在攝像機C2中檢測人A的矩形區(qū)域。C2中的矩形 區(qū)域是DPM算法檢測出來的區(qū)域,將C1中的人A分別與C2中的人A、B、C、D進行FLMN匹配,每 一次匹配的結(jié)果為一組數(shù)據(jù),分別求運一組數(shù)據(jù)的平均值。將所有的平均值的進行排序,最 小值在C2中對應的最小的矩形區(qū)域即為所找到的區(qū)域。
[0034] (6)將運個矩形區(qū)域傳遞給跟蹤算法的初始目標,并且用OAB跟蹤算法進行跟蹤。 同樣,還W圖3為例,將C2中的A的信息交給OAB跟蹤算法進行初始化,在初始化后進行跟蹤。
【主權(quán)項】
1. 一種基于OAB算法的多攝像機人體跟蹤方法,包括以下步驟: Sl:在多攝像機系統(tǒng)的一個攝像機中讀入幀,并在該幀中選定需要跟蹤的對象,記該攝 像機為Camera-I,在該攝像機中用OAB跟蹤算法對后續(xù)幀進行對象跟蹤;將檢測到的跟蹤對 象用矩形框表示出來; S2:多攝像機系統(tǒng)的其他攝像機讀入幀,并用DPM算法對幀進行人體檢測,將檢測到的 人體在圖片幀中的位置存儲起來,并用矩形框表示出來; S3:用SURF算法對Camera-1中的矩形區(qū)域進行關(guān)鍵點檢測; S4:用FLANN方法將步驟S2得到的各個矩形區(qū)域與Camera-I中的矩形區(qū)域進行關(guān)鍵點 匹配; S5:對步驟S2得到的每個矩形區(qū)域內(nèi)的所有關(guān)鍵點的匹配結(jié)果求平均值,得到每個矩 形區(qū)域的平均值,對每個矩形區(qū)域的平均值進行排序; S6:平均值排序的最小值所對應的矩形區(qū)域即為所交接的人體目標區(qū)域; S7:對于交接的人體目標在相應的攝像機中使用OAB跟蹤算法進行跟蹤。2. 根據(jù)權(quán)利要求1所述的基于OAB算法的多攝像機人體跟蹤方法,其特征在于所述的步 驟S4具體為: 經(jīng)過SURF算法得到了圖片中關(guān)鍵點的信息及其每個關(guān)鍵點所對應的具有一定維數(shù)的 向量,設向量的維數(shù)為k,在當前圖片中檢測到的向量集合為Τ={Χ1,Χ2,···ΧΝ},Τ中每一個向 量假設:關(guān)鍵點匹配的目標是要在T中找到與目標向 量X相近的向量,關(guān)鍵點匹配過程如下: 1) 構(gòu)造kd樹 a) 構(gòu)造根結(jié)點,以T中所有實例的x(1)坐標的中位數(shù)為切分點,從而劃分為兩個區(qū)域,由 根結(jié)點生成深度為1的左、右子結(jié)點:左子結(jié)點對應坐標X (1 >小于切分點的子區(qū)域,右子結(jié)點 對應與坐標χ(1)大于切分點的子區(qū)域; b) 重復:對深度為j的結(jié)點,以所有實例的χ(1)坐標的中位數(shù)為切分點,1 = j(mod k) + l, 同樣的也會劃分為兩個子區(qū)域,切分由通過切分點并與坐標軸x(1)垂直的超平面實現(xiàn),由該 節(jié)點生成深度為j+Ι的左、右子結(jié)點:左子結(jié)點對應于坐標x (1)小于切分點的子區(qū)域,右子結(jié) 點對應坐標χω大于切分點的子區(qū)域,將落在切分超平面上的實例點保存該結(jié)點; c) 重復步驟b)直到所有子區(qū)域沒有實例存在時停止,從而形成kd樹; 2. kd樹的最近鄰搜索 首先找到包含目標向量X的葉節(jié)點;然后從該葉子結(jié)點出發(fā),依次回退到父結(jié)點;不斷 查找與目標向量X距離最近的點,當確定不可能存在更近的結(jié)點時終止,得到離目標向量X 最近的關(guān)鍵點,依此完成所有的關(guān)鍵點匹配。
【文檔編號】G06T7/20GK106023252SQ201610323624
【公開日】2016年10月12日
【申請日】2016年5月16日
【發(fā)明人】包曉安, 吳飛虎, 張瑞林, 張娜, 劉曉東
【申請人】浙江理工大學