CN106887013A - 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法 - Google Patents

基于连通区域结合最近邻和粒子滤波的多目标跟踪方法 Download PDF

Info

Publication number
CN106887013A
CN106887013A CN201510907633.5A CN201510907633A CN106887013A CN 106887013 A CN106887013 A CN 106887013A CN 201510907633 A CN201510907633 A CN 201510907633A CN 106887013 A CN106887013 A CN 106887013A
Authority
CN
China
Prior art keywords
agglomerate
connected region
traced
new
particle filter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510907633.5A
Other languages
English (en)
Inventor
张丹普
张晓林
王亚静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Changfeng Science Technology Industry Group Corp
Original Assignee
China Changfeng Science Technology Industry Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Changfeng Science Technology Industry Group Corp filed Critical China Changfeng Science Technology Industry Group Corp
Priority to CN201510907633.5A priority Critical patent/CN106887013A/zh
Publication of CN106887013A publication Critical patent/CN106887013A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，从前景图像寻找连通区域，每一个连通区域视作一个新团块，提取当前帧中所有团块，并计算团块的质心、宽度和高度，并添加到新团块列表；对每一个已被跟踪的团块，通过与已被跟踪团块的位置和大小及其卡尔曼预测的位置和大小进行碰撞分析；对每一个新团块，通过与已被跟踪团块及其卡尔曼预测团块的位置及大小进行碰撞分析；对已被跟踪的团块进行判断，若存在碰撞，则采用带权重的粒子滤波进行预测跟踪得到目标团块，若不存在碰撞，则寻找距离上一帧里的团块最近的当前帧的团块作为目标团块，最后将得到的目标团块添加到跟踪轨迹。

Description

基于连通区域结合最近邻和粒子滤波的多目标跟踪方法
技术领域
本发明属于视频处理和图像智能分析技术领域，涉及一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法。
背景技术
随着视频监控技术的迅速发展，监控视频资料也已成为海量数据，快速实现海量视频中目标的跟踪和定位显得日益迫切，因此，目标跟踪技术已成为当今社会研究的热点问题。多目标跟踪中存在大量地碰撞和遮挡问题，增加了多目标跟踪的复杂性，也使得实现更加困难。
均值漂移和粒子滤波是两种常用的目标跟踪方法，均值漂移算法是一种确定性的跟踪算法，这种跟踪算法通常可以转化为最优化问题，即寻找目标的最优匹配，基于均值漂移算法的目标跟踪算法简单、实时性好，但是易收敛到局部极值点，不能对跟踪窗口进行自适应调节，当目标机动性较强，尺度变化明显，存在不同程度的遮挡，或光照变化较强时，跟踪效果不理想。粒子滤波是一种随机性跟踪算法，它是基于蒙特卡洛模拟和递推贝叶斯估计，采用多个粒子，有效地表达了跟踪的不确定性，对遮挡情况下的跟踪表现出了较强的鲁棒性，但是存在粒子退化现象，而且计算量大，实时性较差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，该方法在源视频中多个运动目标间发生紧随碰撞或交叉遮挡情况时，能够有效实现单个目标的跟踪，且跟踪稳定。
本发明技术方案如下：
一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其特征在于按照以下步骤实施：
步骤1，从前景图像寻找连通区域，每一个连通区域视作一个新团块，提取当前帧中所有团块，并计算团块的质心、宽度和高度，并添加到新团块列表；
步骤2，对每一个已被跟踪的团块，通过与已被跟踪团块的位置和大小及其卡尔曼预测的位置和大小进行碰撞分析；
步骤3，对每一个新团块，通过与已被跟踪团块及其卡尔曼预测团块的位置及大小进行碰撞分析；
步骤4，对已被跟踪的团块进行判断，若存在碰撞，则采用带权重的粒子滤波进行预测跟踪得到目标团块，若不存在碰撞，则寻找距离上一帧里的团块最近的当前帧的团块作为目标团块，最后将得到的目标团块添加到跟踪轨迹。
本发明所提出的基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，在源视频中多个运动目标间发生紧随碰撞或交叉遮挡情况时，能够有效实现单个目标的跟踪，且跟踪稳定。
具体实施方式
本发明所述一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，包括构建背景模型、目标检测和目标跟踪三个模块。所述的构建背景模型模块采用自适应的混合高斯模型对视频帧图像进行处理，对每一个像素判定其是前景还是背景，得到前景图像和背景图像，并实时重建背景模型；所述目标检测模块是使用背景重建模块得到的前景图像检测新进入场景的所有团块，然后将较小的团块(可能是噪声引起的)和与已经被跟踪团块有重叠的团块丢弃，并通过图像边界检测和运动一致性检测进行筛选，丢弃不合标准的团块，将真正的新团块保存到团块列表中，并对所有新团块进行顺序ID编号；所述目标跟踪模块是在背景重建模块和目标检测模块对目标进行检测的基础上，实现对目标的跟踪。
本发明所述基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其目标跟踪模块按照以下步骤实施：
本发明的一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，按照以下步骤实施：
步骤1，采用自适应的混合高斯模型对视频帧图像进行处理，对每一个像素判定其是前景还是背景，得到前景图像和背景图像，并实时重建背景模型。
步骤2，使用步骤1中得到的前景图像检测新进入场景的所有团块，然后将较小的团块(可能是噪声引起的)和与已经被跟踪团块有重叠的团块丢弃，并通过图像边界检测和运动一致性检测进行筛选，丢弃不合标准的团块，将真正的新团块保存到团块列表中，并对所有新团块进行顺序ID编号。
步骤3，在步骤1和步骤2对目标进行检测的基础上，实现对目标的跟踪。按照以下步骤实施：
步骤31，从前景图像寻找连通区域，每一个连通区域视作一个新团块，提取当前帧中所有团块，并计算团块的质心、宽度和高度，并添加到新团块列表；
步骤32，对每一个已被跟踪的团块，通过与已被跟踪团块的位置和大小及其卡尔曼预测的位置和大小进行碰撞分析；
步骤33，对每一个新团块，通过与已被跟踪团块及其卡尔曼预测团块的位置及大小进行碰撞分析，碰撞分析的具体过程为：
对一个新团块，与已追踪着的团块作比对，判断是否有交叉；
对一个新团块，与已追踪着的团块的kalman预测信息作比对，判断是否有交叉；
只要两种情况有一种交叉，则认为新团块与已追踪着的团块有交叉；
若有两个已追踪的团块与同一个新团块有交叉，则认为这两个已追踪着的团块发生碰撞。
步骤4，对已被跟踪的团块进行判断，若存在碰撞，则采用带权重的粒子滤波进行预测跟踪得到目标团块，若不存在碰撞，则寻找距离上一帧里的团块最近的当前帧的团块作为目标团块，最后将得到的目标团块添加到跟踪轨迹。

Claims (4)

1.一种基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其特征在于按照以下步骤实施：
步骤1，从前景图像寻找连通区域，每一个连通区域视作一个新团块，提取当前帧中所有团块，并计算团块的质心、宽度和高度，并添加到新团块列表；
步骤2，对每一个已被跟踪的团块，通过与已被跟踪团块的位置和大小及其卡尔曼预测的位置和大小进行碰撞分析；
步骤3，对每一个新团块，通过与已被跟踪团块及其卡尔曼预测团块的位置及大小进行碰撞分析；
步骤4，对已被跟踪的团块进行判断，若存在碰撞，则采用带权重的粒子滤波进行预测跟踪得到目标团块，若不存在碰撞，则寻找距离上一帧里的团块最近的当前帧的团块作为目标团块，最后将得到的目标团块添加到跟踪轨迹。
2.根据权利要求1所述的基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其特征在于：步骤(3)中，从前景图像寻找连通区域，每一个连通区域视作一个新团块，提取当前帧中所有团块，并计算团块的质心、宽度和高度，并添加到新团块列表。
3.根据权利要求1所述的基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其特征在于：步骤(3)中，对每一个已被跟踪的团块，通过与已被跟踪团块的位置和大小及其卡尔曼预测的位置和大小进行碰撞分析。
4.根据权利要求1所述的基于连通区域结合最近邻和粒子滤波的多目标跟踪方法，其特征在于：步骤(3)中，对每一个新团块，通过与已被跟踪团块及其卡尔曼预测团块的位置及大小进行碰撞分析，碰撞分析的具体过程为：
对一个新团块，与已追踪着的团块作比对，判断是否有交叉；
对一个新团块，与已追踪着的团块的kalman预测信息作比对，判断是否有交叉；
只要两种情况有一种交叉，则认为新团块与已追踪着的团块有交叉；
若有两个已追踪的团块与同一个新团块有交叉，则认为这两个已追踪着的团块发生碰撞。
CN201510907633.5A 2015-12-10 2015-12-10 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法 Pending CN106887013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510907633.5A CN106887013A (zh) 2015-12-10 2015-12-10 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510907633.5A CN106887013A (zh) 2015-12-10 2015-12-10 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法

Publications (1)

Publication Number Publication Date
CN106887013A true CN106887013A (zh) 2017-06-23

Family

ID=59173490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510907633.5A Pending CN106887013A (zh) 2015-12-10 2015-12-10 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN106887013A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446358A (zh) * 2020-12-15 2021-03-05 北京京航计算通讯研究所 基于视频图像识别技术的目标检测方法
CN112507913A (zh) * 2020-12-15 2021-03-16 北京京航计算通讯研究所 基于视频图像识别技术的目标检测系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7187320B1 (en) * 2004-08-27 2007-03-06 Lockheed Martin Corporation Matched maneuver detector
CN102509078A (zh) * 2011-10-28 2012-06-20 北京安控科技股份有限公司 基于视频分析的烟火检测装置
CN102547244A (zh) * 2012-01-17 2012-07-04 深圳辉锐天眼科技有限公司 视频监控方法及系统
CN103489199A (zh) * 2012-06-13 2014-01-01 通号通信信息集团有限公司 视频图像目标跟踪处理方法和系统
CN104424638A (zh) * 2013-08-27 2015-03-18 深圳市安芯数字发展有限公司 一种基于遮挡情况下的目标跟踪方法
CN104639916A (zh) * 2015-03-04 2015-05-20 合肥巨清信息科技有限公司 一种大场景多目标跟踪拍摄视频监控系统及其监控方法
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7187320B1 (en) * 2004-08-27 2007-03-06 Lockheed Martin Corporation Matched maneuver detector
CN102509078A (zh) * 2011-10-28 2012-06-20 北京安控科技股份有限公司 基于视频分析的烟火检测装置
CN102547244A (zh) * 2012-01-17 2012-07-04 深圳辉锐天眼科技有限公司 视频监控方法及系统
CN103489199A (zh) * 2012-06-13 2014-01-01 通号通信信息集团有限公司 视频图像目标跟踪处理方法和系统
CN104424638A (zh) * 2013-08-27 2015-03-18 深圳市安芯数字发展有限公司 一种基于遮挡情况下的目标跟踪方法
CN104639916A (zh) * 2015-03-04 2015-05-20 合肥巨清信息科技有限公司 一种大场景多目标跟踪拍摄视频监控系统及其监控方法
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
席志红: ""复杂运动情况下的多目标检测与追踪"", 《计算机测量与控制》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446358A (zh) * 2020-12-15 2021-03-05 北京京航计算通讯研究所 基于视频图像识别技术的目标检测方法
CN112507913A (zh) * 2020-12-15 2021-03-16 北京京航计算通讯研究所 基于视频图像识别技术的目标检测系统

Similar Documents

Publication Publication Date Title
CN113011367B (zh) 一种基于目标轨迹的异常行为分析方法
Hou et al. Detection of the mobile object with camouflage color under dynamic background based on optical flow
Kim Real time object tracking based on dynamic feature grouping with background subtraction
CN104574439A (zh) 一种融合卡尔曼滤波与tld算法的目标跟踪方法
CN101344965A (zh) 基于双目摄像的跟踪系统
US9704264B2 (en) Method for tracking a target in an image sequence, taking the dynamics of the target into consideration
WO2013189464A2 (zh) 一种近正向俯视监控视频行人跟踪计数方法和装置
CN102521612B (zh) 一种基于协同关联粒子滤波的多视频目标主动跟踪方法
CN102142085B (zh) 一种林区监控视频中运动火焰目标的鲁棒跟踪方法
CN102799883A (zh) 一种从视频图像中提取运动目标的方法及装置
Denman et al. Multi-spectral fusion for surveillance systems
Malhi et al. Vision based intelligent traffic management system
CN103473533B (zh) 视频运动对象异常行为自动检测方法
CN107067417A (zh) Lk光流法和三帧差法结合的运动目标检测方法
Wu et al. Multipoint infrared laser-based detection and tracking for people counting
Xia et al. Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach
Xu et al. A real-time, continuous pedestrian tracking and positioning method with multiple coordinated overhead-view cameras
Hu et al. Tracking individuals in surveillance video of a high-density crowd
CN106887013A (zh) 基于连通区域结合最近邻和粒子滤波的多目标跟踪方法
CN102708573B (zh) 复杂场景下的群体运动模式检测方法
CN106951827A (zh) 一种基于目标运动特性的全局异常行为检测方法
CN102096928A (zh) 一种视频监控中基于角度的徘徊轨迹检测方法
Satybaldina et al. Development of an algorithm for abnormal human behavior detection in intelligent video surveillance system
CN110263690A (zh) 一种基于小群组的群体行为特征提取与描述方法及系统
CN103839035A (zh) 人数统计方法和人数统计系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170623