CN110264498A

CN110264498A - 一种视频监控场景下的人体跟踪方法

Info

Publication number: CN110264498A
Application number: CN201910559630.5A
Authority: CN
Inventors: 袁培江; 杜云鹏; 茹群辉; 李艺哲
Original assignee: University of Science and Technology Beijing USTB
Current assignee: University of Science and Technology Beijing USTB
Priority date: 2019-06-26
Filing date: 2019-06-26
Publication date: 2019-09-20

Abstract

本发明公开了一种视频监控场景下的人体跟踪方法，包括以下步骤：S1、在第一帧图像中进行人体运动检测；S2、对每个运动人体进行标号；S3、提取运动人体图像，生成人体小图；S4、确定跟踪人体并计算出跟踪人体的特征向量；S5、预测第二帧图像中跟踪人体出现的位置和姿态；S6、在第二帧图像中找到与步骤S5中预测的位置、姿态相同的运动人体并进行提取，计算出运动人体的特征向量；S7、将第二帧图像中运动人体的特征向量与第一帧图像中跟踪人体的特征向量进行对比；S8、后续跟踪比对并得出跟踪结果。

Description

一种视频监控场景下的人体跟踪方法

技术领域

本发明涉及图像处理领域，尤其涉及一种视频监控场景下的人体跟踪方法。

背景技术

人体检测和人体跟踪广泛应用于监控行业，通常用于人数统计、行为分析等应用。目前的人体检测通过边缘识别、梯度直方图、色彩直方图等方法实现视频内人体检测，进而可以支持人体跟踪。而常用的人体跟踪技术主要基于帧间差分法、光流法、卡尔曼滤算法等，可以在一些简单场景下取得不错的跟踪效果，但在普通视频监控场景下，尤其是人员数量较多、人体移动速度较快、人体有遮挡、姿态变化较大的情况下，就会出现跟踪丢失或错误的情况。因此，如何在人员基数较大的视频监控场景内进行人体跟踪是一个亟待解决的问题。

发明内容

本发明目的是针对上述问题，提供一种适用于在人数较多的场景中进行人体跟踪的视频监控场景下的人体跟踪方法。

为了实现上述目的，本发明的技术方案是：

一种视频监控场景下的人体跟踪方法，包括以下步骤：

S1、在监控视频的第一帧图像中进行人体运动检测，检测出第一帧图像中的人数和运动人体边缘；

S2、当检测到只有一个运动人体时，采用帧间差分法、光流计算法、统计学方法的组合对该运动人体进行跟踪；当检测到有两个及两个以上的运动人体时，对每个运动人体进行标号；

S3、将每个运动人体从第一帧图像中单独提取出来，生成人体小图；

S4、通过人体小图中人体的高宽比值特征确定跟踪人体，并计算出跟踪人体的特征向量；

S5、根据跟踪人体的人体姿态和运动方向，预测第二帧图像中跟踪人体出现的位置和姿态；

S6、在第二帧图像中找到与步骤S5中预测的位置、姿态相同的运动人体并进行提取，计算出运动人体的特征向量；

S7、将第二帧图像中运动人体的特征向量与第一帧图像中跟踪人体的特征向量进行对比；当两个特征向量相同时，则确定第二帧图像中的运动人体为跟踪人体，当两个特征向量不同时，提取第二帧图像中运动人体的临近人体的特征向量与跟踪人体的特征向量进行对比；

S8、当第二帧图像中没有找到跟踪人体时，则判断人体跟踪丢失，并标记次数为1，继续在下一帧图像中寻找跟踪人体；当人体跟踪丢失次数累计达到阈值后，则判断跟踪人体离开视频监控区域；当人体跟踪丢失次数累计达到阈值前，再次找到跟踪人体，则判断跟踪人体的姿态出现重大调整或跟踪人体被遮挡，其累计次数归零，重新计算次数。

进一步的，所述步骤S3中采用边缘识别、梯度直方图、色彩直方图、低通滤波去噪、背景差分法、形态学图像处理、区域连通性分析方法中的一种或几种的组合将每个运动人体从第一帧图像中单独提取出来。

进一步的，所述步骤S4中跟踪人体的特征向量为多维度向量值，其包含人体小图的灰度特征值、颜色特征值、内容特征值、人体姿态值、运动方向值。

与现有技术相比，本发明具有的优点和积极效果是：

本发明首先在复杂视频监控场景下将多个运动人体标记出不同序号，同时生成相应的人体小图，然后计算出的每个人体小图的灰度特征值、颜色特征值和图片内容特征值、人体姿态值、运动方向值等特征向量值，最后通过比较前后帧图像中的运动人体是否为同一人体，实现在监控图像中对人体的跟踪操作；根据其跟踪结果可以判断出跟踪人体的位置信息；另一方面，本发明能够在多人视频监控场景下准确地进行人数统计、行为分析，弥补了传统人体跟踪方式在人员数量较多、人体移动速度较快、人体有遮挡、人体姿态变化较大的复杂场景中经常会出现跟踪目标丢失或跟踪目标不一致的弊病，给监控技术领域作出了极大的贡献。

具体实施方式

下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本发明提供一种在视频监控场景下的人体跟踪的方法。其步骤如下：

人体运动检测；在监控视频中，通过人体运动检测，检测出当前视频内人数和人体边缘；

采用帧间差分法、光流法、统计学方法，初步进行人体跟踪。简单场景下，该3种方法的组合，基本已经实现了运动人体的跟踪。

帧间差分法：帧间差分法是在图像序列中，将相邻两帧图像或相隔几帧的两幅图像的像素值相减并且阈值化来提取图像中的运动区域。其主要优点是算法实现简单，但对场景光线的变化不太敏感，受目标阴影的影响也不太大。问题是“当目标表面存在大的灰度均匀的区域时，在目标的上述区域产生“空洞”：目标运动速度越大，检测出的区域就比实际的区域越大，而当目标运动很缓时，往往检测到得区域很小，甚至无法检测到目标运动。

光流计算法：光流是图像中各像素点运动的速度分布，它是一种顺时速度场，即向量场。每一个向量表示了景物中一个点在图像中位置的瞬时变化。光流法是利用运动目标在图像序列间，即随着时间变化的特性，通过计算帧间像素的位移来提取人的运动。其优点是光流不仅携带了运动目标的运动信息，而已还携带了有关景物三维结构的丰富信息，能够检测独立运动的对象，而不需要预先知道场景的任何信息。既实用于静止的运动的背景，也适用于摄像机运动的情况，有很好的适应性。但是其缺点也是明显的，这种方法采用迭代的求解计算，所需计算时间长，无法满足实时的要求，并且该方法受噪声影响比较大，因而它多适用于图像噪声比较小，目标运动速度不大的情况。

统计学方法：是基于像素的统计特性从背景中提取运动信息。它首先计算背景像素的统计信息)如，颜色灰度边界等)，使用个体的像素或一组像素的特征来建立一个较为高级的背景模型，而且背景的统计值可以动态的更新，通过比较当前背景模型的统计值，图像中每一个像素被分成前景or背景。但是基于统计的方法涉及大量的计算和变换，对现有的硬件设备要求较高。

复杂视频监控场景下的人体跟踪

当多个人体被检测到时，每个人体都被标记一个不同序号，采用边缘识别、梯度直方图、色彩直方图、低通滤波去噪、背景差分、形态学图像处理、区域连通性分析等一系列的处理方法，将运动物体从视频图像中提取出来，同时生成每个人体小图。

然后采用人体高宽及其比值的特征进行跟踪人体识别；并根据第一帧计算出跟踪人体的特征向量，特征向量是多维度的向量值，包含人体小图的灰度特征值、颜色特征值和图片内容特征值，并附加人体姿态和运动方向数值。

根据人体姿态和运动方向，预测下一帧人体出现的位置和姿态。

根据预测值，计算下一帧出现人体的特征向量，与跟踪人体的特征向量进行快速比较，判断是否为同一人体。若是同一人体，则在该人体序号下，标记出现次数。若不是同一人体，则快速比较临近人体特征向量，进行判断。

若下一帧内没有出现相似人体，则判断人体跟踪丢失，并标记次数为1。连续累计次数达到阈值后，则判断该人体跟踪任务结束，人体离开视频监控场景；若在连续累计次数到达阈值前，再次比较得到相似人体，则累计次数归零，重新计算次数。判断人体姿态出现重大调整或人体被遮挡。

人体跟踪丢失后，仍然需要根据跟踪失踪前的人体姿态和运动方向预测后续视频中该人体的出现位置和姿态。

Claims

1.一种视频监控场景下的人体跟踪方法，其特征在于：包括以下步骤：

2.如权利要求1所述的视频监控场景下的人体跟踪方法，其特征在于：所述步骤S3中采用边缘识别、梯度直方图、色彩直方图、低通滤波去噪、背景差分法、形态学图像处理、区域连通性分析方法中的一种或几种的组合将每个运动人体从第一帧图像中单独提取出来。

3.如权利要求1所述的视频监控场景下的人体跟踪方法，其特征在于：所述步骤S4中跟踪人体的特征向量为多维度向量值，其包含人体小图的灰度特征值、颜色特征值、内容特征值、人体姿态值、运动方向值。