CN103530874B - 基于Kinect的人流计数方法 - Google Patents

Abstract

本发明公开了一种基于Kinect的人流计数方法。该方法步骤包括：读入深度图像当前帧，设置阈值对深度图像进行分割，得到阈值分割图；对阈值分割图去噪，获得跟踪对象图；对像素点作投影处理，获得跟踪对象投影图；在投影图中获得跟踪对象连通区域的轮廓序列；在跟踪对象图中获得头部跟踪对象连通区域，构成当前帧轨迹点集合；判断各轨迹点的跟踪对象归属，更新或新建跟踪对象的轨迹点集合；判断所有跟踪对象轨迹点集合是否满足跟踪计数条件，更新入出计数器；排除已离开场景跟踪对象的轨迹点集合。该方法适用于各类通道口的人流计数，计数准确率高，设备复杂度低，不受场景光线变化、阴影、透视效应及遮挡的影响，适应于不同环境场所的人流计数。

Description

基于Kinect的人流计数方法

技术领域

本发明是涉及一种视频目标跟踪及计数的方法，具体地说是涉及一种基于Kinect立体视觉的人流计数方法。该方法采用MicrosoftKinect3D立体感摄像机作为视频输入，可用于深度图像的动态捕捉实现实时的人头目标跟踪与计数，尤其适用于公众场所通道出入口的人流计数。

背景技术

基于机器视觉的通道出入口处的人流计数是根据摄像机拍摄的场景图像，通过对场景图像的处理检测场景图像内的人，统计通过通道出入口处的人流的数量。比如，通过在展厅的出入口处安装摄像机，实时估计展厅内的人数，得到展厅的拥挤程度，进而作出判断和处理。

目前基于机器视觉的人流计数系统是利用对人体跟踪的方法进行人流计数。对人体跟踪的方法，有单个摄像机获取的单目视觉的人体跟踪计数方法和多个摄像机同步获取的立体视觉的人体跟踪计数方法。

基于单目视觉的人体跟踪计数方法，该方法的跟踪算法复杂度较低，但是视频图像的特征的提取具有较大的难度。对视频图像中人体和背景的对比程度有着较高要求，且对光照、阴影、服饰等的变化较为敏感。当人体旋转或被其它物遮挡时，视频图像中无法得到人体区域的特征，会出现跟踪目标丢失的现象。

基于多个摄像机同步获取的立体视觉的人体跟踪计数方法，是通过人体的空间三维信息进行跟踪和计数，该方法有赖于图像的无歧义匹配，由于受到摄像机拍摄的场景中诸多因素的影响，例如，场景中物体几何形状、噪声干扰及摄像机特性等因素的影响，同一被拍摄对象在不同视点下获取的图像，拍摄的图像会有很大的差别，难以将不同视点下的图像进行无歧义地匹配，三维场景中的部分空间信息将丢失或出错，在拍摄的视频图像中无法得到全部人体区域的特征，将导致跟踪目标丢失，人流计数准确率下降。

Microsoft公司的Kinect系统是一种基于红外结构光原理的深度相机，在3.5m的短距离范围内可以获得较精确的跟踪目标动态深度和色彩图像，这为利用跟踪目标深度信息进行跟踪目标的检测与分割提供了较好的硬件解决手段。

发明内容

本发明的目的在于针对现有基于立体视觉人流跟踪计数技术中存在的技术问题，提供一种基于Kinect的人流计数方法，该方法采用Kinect摄像机，自顶向下安装，能拍摄人体的深度视频图像，适用于通道出入口的人流计数的需求，不受摄像机拍摄的场景光线变化的影响，进而提高人流计数准确率。

为了达到上述目的，本发明的技术方案是：上述基于Kinect的人流计数方法，其特征在于该方法包括如下步骤：

（1）、采用OpenNI驱动读入深度图像的当前帧，遍历深度图像中的每一个像素点，设置用于分割深度图像的阈值，按分割阈值对深度图像分割，得到阈值分割图；对阈值分割图作消除噪声处理，获得跟踪对象图；

（2）、遍历上述跟踪对象图中每一个像素点，对像素点作投影处理，获得跟踪对象投影图；在跟踪对象投影图中获得跟踪对象连通区域的轮廓序列；在跟踪对象图中排除肩部连通区域；通过跟踪对象连通区域存在交点轮廓序列获得头部跟踪对象连通区域；将头部跟踪对象连通区域中心点作为跟踪对象轨迹点，构成当前帧轨迹点集合；

（3）、判断当前帧各轨迹点的跟踪对象归属，若属于现有跟踪对象的轨迹点集合，则将轨迹点加入该集合；若是新进轨迹点，则建立新的跟踪对象的轨迹点集合；

（4）、判断上述所有跟踪对象轨迹点集合中的跟踪对象轨迹点是否满足跟踪计数条件，若是满足跟踪计数条件，则相应“入”的计数器或“出”的计数器加1，并删除该跟踪对象的轨迹点；否则保留该跟踪对象的轨迹点；

（5）、排除已离开场景跟踪对象的轨迹点集合，返回步骤（1），重复循环进行步骤（1）至步骤（5），直至计数结束。

本发明的基于Kinect的人流计数方法与现有人流计数方法相比较，具有如下特征和优点：本发明采用Kinect设备，以此来获得场景的深度图像，Kinect使用不可见的红外线来获取场景的深度信息，不受场景光线变化的影响；利用透视投影和贝叶斯框架跟踪方法来实现精确获取场景中人头位置并实现运动跟踪，达到计数的目的。本发明提出的基于Kinect的人流计数方法适用于公众场所的通道口人流计数的需求，不受场景光线变化、阴影、透视效应及遮挡的影响，具有设备简单，计数准确率高的特点。

附图说明

图1是本发明的基于Kinect的人流计数方法的硬件构成示意图。

图2是本发明的基于Kinect的人流计数方法的流程图。

图3是本发明的基于kinect的人流计数方法的具体实施方式流程示意图。

具体实施方式

以下结合附图对本发明的基于Kinect的人流计数方法作进一步的详细描述。

如图1所示，上述基于Kinect的计数方法所涉硬件由自顶向下安装的Kinect深度摄像机和计数主机组成；如图2、图3所示，上述基于Kinect的人流计数方法，其特征在于包括如下步骤：

（1）、通过OpenNI驱动读入深度图像的当前帧，遍历深度图像中的每一个像素点，设置用于分割深度图像的阈值T，按分割阈值对深度图像分割，得到阈值分割图；对阈值分割图作消除噪声处理，获得跟踪对象图，其具体步骤如下：

（1-1）、、上述步骤（1）所述的采用通过OpenNI驱动读入深度图像，遍历深度图像中的每一个像素点，设置用于分割深度图像的阈值T，按分割阈值对深度图像分割，得到阈值分割图，其具体如下：

将上述深度图像中的像素点位置记为（i,j），该像素点的灰度值记为f（i,j），设置用于分割深度图像的阈值T，判断深度图像中的灰度值f（i,j）是否大于阈值T，如果灰度值f（i,j）大于阈值T，则将灰度值f（i,j）所表示的像素点的灰度值保留，否则将灰度值f（i,j）所表示的像素点的灰度值置为255，其表达式如下：

(1)

式（1）中，（i,j）是像素点坐标位置，f（i,j）表示像素点的灰度值，T为用于分割深度图像的阈值，该阈值为Kinect安装高度与所检测运动目标高度的差值，g（i,j）为域值分割后的阈值分割图；

（1-2）、对步骤（1-1）中所述的的阈值分割图作消除噪声处理，获得跟踪对象图，其具体如下：

以3×3的像素点作为结构元素，记为b，对阈值分割图g（i,j）分别作形态学的开运算及闭运算处理，以去除噪声，分别得到开运算后的跟踪对象图、闭运算后的跟踪对象图，其表达式分别如下：

(2)

式（2）中，,分别为开运算后的跟踪对象图和闭运算后的跟踪对象图，为开运算的运算符，为闭运算符，b为3×3的结构元素，为膨胀运算符，为腐蚀运算符；

（2）、遍历上述跟踪对象图中每一个像素点，对像素点作透视投影处理，获得跟踪对象投影图；在跟踪对象投影图中获得跟踪对象连通区域的轮廓序列；通过轮廓序列获得头部跟踪对象连通区域位置的中心点作为跟踪对象轨迹点，构成当前帧轨迹点集合，其具体步骤如下：

（2-1）、遍历步骤（1）的跟踪对象图中每一个像素点，对每一个像素点作透视投影，获得跟踪对象的地面投影图，其具体如下：

遍历步骤（1-2）所得的跟踪对象图中的每一个像素点的灰度值g₂（i,j），判断跟踪对象图中的各像素点的灰度值是否等于255，如果像素点的灰度值不等于255，则将灰度值g₂（i,j）进行透视坐标映射，其表达式如下：

(3)

其中，,分别为透视投影前的横坐标与纵坐标，x,y分别为透视投影后的横坐标与纵坐标，g_g为地面的灰度值，g₂（i,j）为透视投影前的灰度值，则透视投影后的跟踪对象投影图g₃（x,y）为：

(4)

（2-2）、获得跟踪对象连通区域的轮廓点，其具体步骤如下：

在步骤（2-1）得到的跟踪对象投影图g₃中，以2×2的像素点作为结构元素进行形态学处理，该结构元素记为b₂，跟踪对象投影图g₃中连通区域的轮廓序列可以通过b₂对跟踪对象投影图的腐蚀，再用跟踪对象投影图减去b₂对跟踪对象投影图的腐蚀得到，其表达式如下：

(5)

其中，为跟踪对象投影图g₃中连通区域的轮廓点集合，为腐蚀运算符；

统计轮廓点集合中各联通区域的轮廓点长度，记为len，设置连通区域的轮廓长度len的长度阈值Q，判断轮廓长度len是否小于长度阈值Q，如果轮廓序列长度len<Q，则舍弃该轮廓所表示的连通区域，如果轮廓序列长度len≥Q，则保留该轮廓序列所表示的连通区域；

（2-3）、在跟踪对象图中获取头部连通区域，其具体如下：

检测步骤（2-2）得到的所有跟踪对象连通区域的轮廓点是否有交点，如果各跟踪对象连通区域的轮廓点存在交点，则认为存在交点的轮廓是跟踪对象，跳转步骤（2-4）；如果跟踪对象连通区域的轮廓点不存在交点，则认为不是跟踪对象；

（2-4）、头部跟踪对象联通区域的确定，其具体如下：

设置确定头部跟踪对象的的灰度平均值，该灰度平均值为P，统计跟踪对象连通区域的存在交点的轮廓灰度值是否有小于头部跟踪对象的灰度平均值P，如果有小于头部跟踪对象的灰度平均值P，则将小于灰度平均值P对应的交点的轮廓作为头部跟踪对象连通区域，如果没有小于头部跟踪对象的灰度平均值P，则将大于或等于灰度平均值P对应的交点的轮廓丢弃；

（2-5）、将步骤（2-4）所述的头部连通区域位置的中心点作为跟踪对象轨迹点，其具体如下：

将步骤（2-3）中所述的轮廓长度len所表示的连通区域设定为跟踪对象连通区域，将连通区域的中心点作为跟踪对象轨迹点，所有连通区域中心点将构成当前帧轨迹点的集合，记为

Pt=｛e_k1,e_k2,…,e_km,｝=｛(x_k1,y_k1),(x_k2,y_k2),…(x_km,y_km)｝(6)

其中，e_ki表示当前第k帧中第i个联通区域，m为联通区域个数，即有m个待跟踪对象；

（3）、判断当前帧各轨迹点的跟踪对象归属，若属于现有跟踪对象的轨迹点集合，则将轨迹点加入该集合；若是新进轨迹点，则建立新的跟踪对象的轨迹点集合，其具体步骤如下：

（3-1）、对由步骤（2）获得的各轨迹点作归属判断，其具体如下：

设第i个跟踪对象的轨迹点集合为E_i，其表达式为：

E_i=｛e₁，e₂，…,e_k｝，

其中e_k=（x_k,y_k）为集合中的第k个轨迹点，

p（e_k|s_k）为以下一帧预测轨迹点为均值的高斯分布，其表达式如下：

(7)

其中，б表示x方向分布的标准差，б_y表示y方向分布的标准差，x方向分布的标准差与跟踪对象的速度成正比，即，б_x=λv_x，y方向分布的标准差与跟踪对象的速度成正比，即，б_y=λv_y，取λ=0.25，Δt=t_k-t_k-1则，预测轨迹点表达式为：

其中，v_x为x方向运动速度，v_y为y方向运动速度，其计算方法为，选取轨迹点10帧间隔的像素点在x方向和y方向上偏移的总和除以10帧图像的时间差所得的商，其表达式如下：

(8)

如果第i个跟踪对象的轨迹集合E_i中的轨迹点不足10个轨迹点，则计算第i个跟踪对象的E_i中的所有轨迹点平均速度，

将步骤（2）所得的当前帧跟踪对象轨迹点的集合Pt中的m个轨迹点逐个代入，得到概率集合，其表达式为：

P=｛p_k1,p_k2,…,p_km｝，

设置概率阈值T，选取集合P中最大的概率值p_max，将最大的概率值p_max与概率阈值T比较，判断是否大于概率阈值T，如果p_max<T，则认定该轨迹点为不匹配轨迹点；如果p_max≥T，则认定该轨迹点为匹配轨迹点，将该匹配轨迹点加入到第i个跟踪对象的轨迹集合E_i，

（3-2）、在所有m个轨迹点中，如果其中一个轨迹点对所有的跟踪对象的概率值均小于概率阈值T，则认为该轨迹点为新进的跟踪对象，为该新进的跟踪对象建立新的跟踪对象轨迹点集合；

（4）、判断上述所有跟踪对象轨迹点集合是否满足跟踪计数条件，若是满足跟踪计数条件，则相应“入”的计数器或“出”的计数器加1，并删除该跟踪对象的轨迹点，否则留该跟踪对象的轨迹点，其具体步骤如下：

（4-1）、根据步骤（4），对跟踪对象的轨迹点集合状态作判断，其具体如下：

对于第i个跟踪对象轨迹点集合E_i，统计集合E_i在x及y方向上的偏移，表示为下式：

(9)

其中，x_j,y_j为集合中的第j个轨迹点的坐标位置，k为轨迹点集合的长度，表示x方向上的偏移值，表示y方向上的偏移值,

判断第i个跟踪对象轨迹点集合E_i在x及y方向上的偏移是否满足下列表达式：

Δx<k-1，且Δy<k-1，

如果满足，则认为第i个跟踪对象轨迹点集合E_i所表示的对象为静止对象，删除第i个跟踪对象轨迹点集合E；，否则，是正常的跟踪对象，跳转入步骤（4-2）；

（4-2）、对跟踪对象进行计数判定，其具体如下：

定义第i个跟踪对象轨迹点集合E_i的判断，其判断表达式为：

(10)

其中，y_base是图像中垂直方向的中间基准线位置的数值，

分别定义计数器的中的“入”、“出”，具体如下：

跟踪对象从图像上半部分运动到图像下半部分称为“入”，跟踪对象由图像下半部分运动到图像上半部分称为“出”，

如果当跟踪对象满足y₁<y_base，y_k>y_base且Δy>k-1，则对第i个跟踪对象轨迹点集E_i的跟踪结束，“出”方向的计数器加1；反之，如果当跟踪对象满足y₁>y_base，y_k<y_base且Δy>k-1，则“入”方向的计数器加1；

如果当跟踪对象满足“入”、“出”判定，则删除该跟踪对象轨迹点集合E_i，否则更新该跟踪对象轨迹点集合E_i中的元素个数集合n_i，其表达式为：

n_i={n_i1,n_i2,…,n_ik}，

对更新后的第i个跟踪对象轨迹点集合E_i续继续跟踪；（5）、排除已离开场景跟踪对象的轨迹集合，返回步骤（1）重复循环进行步骤（1）至步骤（5），直至计数结束，其具体如下：

统计各跟踪对象轨迹点集合E_i中最后5个元素个数，其表达式如下式：

(11)

如公式（11）成立，则删除集合n_i代表的跟踪对象的轨迹集合E_i，否则返回步骤（1）重复循环进行步骤（1）至步骤（5），直至计数结束。

Claims (1)

1.一种基于Kinect的人流计数方法，其特征在于，该方法包括如下步骤：

步骤(1)、采用OpenNI驱动读入深度图像的当前帧，遍历深度图像中的每一个像素点，设置用于分割深度图像的阈值，按分割阈值对深度图像分割，得到阈值分割图；对阈值分割图作消除噪声处理，获得跟踪对象图，其具体步骤如下：

(1-1)、上述步骤(1)所述的采用通过OpenNI驱动读入深度图像，遍历深度图像中的每一个像素点，设置用于分割深度图像的阈值T，按分割阈值对深度图像分割，得到阈值分割图，其具体如下：

将上述深度图像中的像素点位置记为(i,j)，该像素点的灰度值记为f(i,j)，设置用于分割深度图像的阈值T，判断深度图像中的灰度值f(i,j)是否大于阈值T，如果灰度值f(i,j)大于阈值T，则将灰度值f(i,j)所表示的像素点的灰度值保留，否则将灰度值f(i,j)所表示的像素点的灰度值置为255，其表达式如下：

$g(i,j)=\left\{\begin{array}{cc}f(i,j)& f(i,j)\&le;T\\ 255& f(i,j)>T\end{array}\right.---\left(1\right)$

式(1)中，(i,j)是像素点坐标位置，f(i,j)表示像素点的灰度值，T为用于分割深度图像的阈值，该阈值为Kinect安装高度与所检测运动目标高度的差值，g(i,j)为域值分割后的阈值分割图；

(1-2)、对步骤(1-1)中所述的的阈值分割图作消除噪声处理，获得跟踪对象图，其具体如下：

以3×3的像素点作为结构元素，记为b，对阈值分割图g(i,j)分别作形态学的开运算及闭运算处理，以去除噪声，分别得到开运算后的跟踪对象图、闭运算后的跟踪对象图，其表达式分别如下：

式(2)中，g₁,g₂分别为开运算后的跟踪对象图和闭运算后的跟踪对象图，ο为开运算的运算符，·为闭运算符，b为3×3的结构元素，为膨胀运算符，Θ为腐蚀运算符；

步骤(2)、遍历上述跟踪对象图中每一个像素点，对像素点作投影处理，获得跟踪对象投影图；在跟踪对象投影图中获得跟踪对象连通区域的轮廓序列；在跟踪对象图中排除肩部连通区域；通过跟踪对象连通区域存在交点轮廓序列获得头部跟踪对象连通区域；将头部跟踪对象连通区域中心点作为跟踪对象的轨迹点，构成当前帧轨迹点集合，其具体步骤如下：

(2-1)、遍历步骤(1)的跟踪对象图中每一个像素点，对每一个像素点作透视投影，获得跟踪对象的地面投影图，其具体如下：

遍历步骤(1-2)所得的跟踪对象图中的每一个像素点的灰度值g₂(i,j)，判断跟踪对象图中的各像素点的灰度值是否等于255，如果像素点的灰度值不等于255，则将灰度值g₂(i,j)进行透视坐标映射，其表达式如下：

$x=i\frac{g_2(i,j)}{g_g}$

$y=j\frac{g_2(i,j)}{g_g}---\left(3\right)$

其中，i,j分别为透视投影前的横坐标与纵坐标，x,y分别为透视投影后的横坐标与纵坐标，g_g为地面的灰度值，g₂(i,j)为透视投影前的灰度值，则透视投影后的跟踪对象投影图g₃(x,y)为：

g₃(x,y)＝g₂(i,j)(4)

(2-2)、获得跟踪对象连通区域的轮廓点，其具体步骤如下：

在步骤(2-1)得到的跟踪对象投影图g₃中，以2×2的像素点作为结构元素进行形态学处理，该结构元素记为b₂，跟踪对象投影图g₃中连通区域的轮廓序列可以通过b₂对跟踪对象投影图的腐蚀，再用跟踪对象投影图减去b₂对跟踪对象投影图的腐蚀得到，其表达式如下：

g₄＝g₃-(g₃Θb₂)(5)

其中，g₄为跟踪对象投影图g₃中连通区域的轮廓点集合，Θ为腐蚀运算符；

统计轮廓点集合g₄中各联通区域的轮廓点长度，记为len，设置连通区域的轮廓长度len的长度阈值Q，判断轮廓长度len是否小于长度阈值Q，如果轮廓序列长度len<Q，则舍弃该轮廓所表示的连通区域，如果轮廓序列长度len≥Q，则保留该轮廓序列所表示的连通区域；

(2-3)、在跟踪对象图中获取头部连通区域，其具体如下：

检测步骤(2-2)得到的所有跟踪对象连通区域的轮廓点是否有交点，如果各跟踪对象连通区域的轮廓点存在交点，则认为存在交点的轮廓是跟踪对象，跳转步骤(2-4)；如果跟踪对象连通区域的轮廓点不存在交点，则认为不是跟踪对象；

(2-4)、头部跟踪对象联通区域的确定，其具体如下：

设置确定头部跟踪对象的的灰度平均值，该灰度平均值为P，统计跟踪对象连通区域的存在交点的轮廓灰度值是否有小于头部跟踪对象的灰度平均值P，如果有小于头部跟踪对象的灰度平均值P，则将小于灰度平均值P对应的交点的轮廓作为头部跟踪对象连通区域，如果没有小于头部跟踪对象的灰度平均值P，则将大于或等于灰度平均值P对应的交点的轮廓丢弃；

(2-5)、将步骤(2-4)所述的头部连通区域位置的中心点作为跟踪对象的轨迹点，其具体如下：

将步骤(2-3)中所述的轮廓长度len所表示的连通区域设定为跟踪对象连通区域，将连通区域的中心点作为跟踪对象的轨迹点，所有连通区域中心点将构成当前帧轨迹点的集合，记为

Pt＝{e_k1,e_k2,…,e_km,}＝{(x_k1,y_k1),(x_k2,y_k2),…(x_km,y_km)}(6)

其中，e_ki表示当前第k帧中第i个联通区域，m为联通区域个数，即有m个待跟踪对象；

步骤(3)、判断当前帧各轨迹点的跟踪对象归属，若属于现有跟踪对象的轨迹点集合，则将轨迹点加入该集合；若是新进轨迹点，则建立新的跟踪对象的轨迹点集合，其具体步骤如下：

(3-1)、对由步骤(2)获得的各轨迹点作归属判断，其具体如下：

设第i个跟踪对象的轨迹点集合为E_i，其表达式为：

E_i＝{e₁，e₂，…,e_k}，

其中e_k＝(x_k,y_k)为集合中的第k个轨迹点，

p(e_k|s_k)为以下一帧预测轨迹点为均值的高斯分布，其表达式如下：

$p\left(e_k\right|s_k)=\frac{1}{2{\mathrm{\&pi;\&sigma;}}_x{\mathrm{\&sigma;}}_y}\exp \&lsqb;-\frac{{(x_{k-1}+v_k\&CenterDot;\mathrm{\&Delta;}t-x_k)}^2}{2{\mathrm{\&sigma;}}_x^2}-\frac{{(y_{k-1}+v_y\&CenterDot;\mathrm{\&Delta;}t-y_k)}^2}{2{\mathrm{\&sigma;}}_x^2}\&rsqb;---\left(7\right)$

其中，σ表示x方向分布的标准差，σ_y表示y方向分布的标准差，x方向分布的标准差与跟踪对象的速度成正比，即，σ_x＝λv_x，y方向分布的标准差与跟踪对象的速度成正比，即，σ_y＝λv_y，取λ＝0.25，Δt＝t_k-t_k-1则，预测轨迹点s_k表达式为：

s_k＝[x_k-1+v_x·Δt,y_k-1+v_y·Δt]

其中，v_x为x方向运动速度，v_y为y方向运动速度，其计算方法为，选取轨迹点10帧间隔的像素点在x方向和y方向上偏移的总和除以10帧图像的时间差Δt所得的商，其表达式如下：

$\begin{array}{c}{v}_x=\frac{\underset{i=k-10}{\overset{k}{\&Sigma;}}\left|(x_i-x_{i-1})\right|}{\mathrm{\&Delta;}t}\\ v_y=\frac{\underset{i=k-10}{\overset{k}{\&Sigma;}}\left|(y_i-y_{i-1})\right|}{\mathrm{\&Delta;}t}\end{array}---\left(8\right)$

如果第i个跟踪对象的轨迹集合E_i中的轨迹点不足10个轨迹点，则计算第i个跟踪对象的E_i中的所有轨迹点平均速度，

将步骤(2)所得的当前帧跟踪对象的轨迹点的集合Pt中的m个轨迹点逐个代入p(e_k|s_k)，得到概率集合，其表达式为：

P＝{p_k1,p_k2,…,p_km}，

设置概率阈值T，选取集合P中最大的概率值p_max，将最大的概率值p_max与概率阈值T比较，判断是否大于概率阈值T，如果p_max<T，则认定该轨迹点为不匹配轨迹点；如果p_max≥T，则认定该轨迹点为匹配轨迹点，将该匹配轨迹点加入到第i个跟踪对象的轨迹集合E_i，

(3-2)、在所有m个轨迹点中，如果其中一个轨迹点对所有的跟踪对象的概率值均小于概率阈值T，则认为该轨迹点为新进的跟踪对象，为该新进的跟踪对象建立新的跟踪对象的轨迹点集合；

步骤(4)、判断上述所有跟踪对象的轨迹点集合中的跟踪对象的轨迹点是否满足跟踪计数条件，若是满足跟踪计数条件，则相应“入”的计数器或“出”的计数器加1，并删除该跟踪对象的轨迹点；否则保留该跟踪对象的轨迹点，其具体步骤如下：

(4-1)、根据步骤(4)，对跟踪对象的轨迹点集合状态作判断，其具体如下：

对于第i个跟踪对象的轨迹点集合E_i，统计集合E_i在x及y方向上的偏移，表达式为：

$\begin{array}{c}\mathrm{\&Delta;}x=\left|\underset{j=2}{\overset{k}{\&Sigma;}}(x_j-x_{j-1})\right|\\ \mathrm{\&Delta;}y=\left|\underset{j=2}{\overset{k}{\&Sigma;}}(y_j-y_{j-1})\right|\end{array}---\left(9\right)$

其中，x_j,y_j为集合中的第j个轨迹点的坐标位置，k为轨迹点集合的长度，Δx为x方向上的偏移值，Δy表示y方向上的偏移值,

判断第i个跟踪对象的轨迹点集合E_i在x及y方向上的偏移是否满足下列表达式：

Δx<k-1，且Δy<k-1，

如果满足，则认为第i个跟踪对象的轨迹点集合E_i所表示的对象为静止对象，删除第i个跟踪对象的轨迹点集合E，否则，是正常的跟踪对象，跳转入步骤(4-2)；

(4-2)、对跟踪对象进行计数判定，其具体如下：

定义第i个跟踪对象的轨迹点集合E_i的判断，其判断表达式为：

$\left\{\begin{array}{c}{y}_k<y_{base}\\ \mathrm{\&Delta;}y=\underset{i=2}{\overset{k}{\&Sigma;}}\left|(y_k-y_{k-1})\right|>k-1\\ y_k>y_{base}\end{array}\right.---\left(10\right)$

其中，y_base是图像中垂直方向的中间基准线位置的数值，

分别定义计数器的中的“入”、“出”，具体如下：

跟踪对象从图像上半部分运动到图像下半部分称为“入”，跟踪对象由图像下半部分运动到图像上半部分称为“出”，

如果当跟踪对象满足y₁<y_base，y_k>y_base且Δy>k-1，则对第i个跟踪对象的轨迹点集E_i的跟踪结束，“出”方向的计数器加1；反之，如果当跟踪对象满足y₁>y_base，y_k<y_base且Δy>k-1，则“入”方向的计数器加1；

如果当跟踪对象满足“入”、“出”判定，则删除该跟踪对象的轨迹点集合E_i，否则更新该跟踪对象的轨迹点集合E_i中的元素个数集合n_i，其表达式为：

n_i＝{n_i1,n_i2,…,n_ik}，

对更新后的第i个跟踪对象的轨迹点集合E_i续继续跟踪；(5)、排除已离开场景跟踪对象的轨迹集合，返回步骤(1)重复循环进行步骤(1)至步骤(5)，直至计数结束，其具体如下：

统计各跟踪对象的轨迹点集合E_i中最后5个元素个数，其表达式如下式：

$\mathrm{\&Delta;}n=\underset{i=k-6}{\overset{k}{\&Sigma;}}\left|(n_{ik}-n_{ik-1})\right|=0---\left(11\right)$

如公式(11)成立，则删除集合n_i代表的跟踪对象的轨迹集合E_i，否则返回步骤(1)重复循环进行步骤(1)至步骤(5)，直至计数结束；

步骤(5)、排除已离开场景跟踪对象的轨迹点集合，返回步骤(1)，重复循环进行步骤(1)至步骤(5)，直至计数结束。