基于改进TLD的监控视频车辆检测跟踪方法

摘要

本发明公开了一种准确性高的、鲁棒性好的基于改进TLD的监控视频车辆检测跟踪算法，该算法采用基于车辆颜色特征的分块Cam Shift跟踪器替代L‑K光流的点跟踪器，通过Cam Shift所获取的车辆区域颜色直方图实现对跟踪目标的描述，再通过捕捉区域的颜色直方图相似性度量实现对跟踪目标在前后两帧间运动量的预估；进一步结合随机森林检测器获得车辆目标的粗略位置，以及通过P‑N学习实时地对检测器进行观测和对跟踪器进行定位，从而实现有效的车辆检测跟踪。

权利要求

1.一种基于改进TLD的监控视频车辆检测跟踪方法，其特征在于按照以下步骤进行：Step 1. 输入第1帧视频图像，手动标记出待跟踪的目标，令 ；

Step 2. 初始化随机森林分类器和Cam Shift跟踪器；

Step 3. 令 ，载入第 帧视频图像，并利用随机森林分类器检测目标，利用Cam Shift 跟踪器跟踪目标并得到目标框的调整尺度；

Step 4. 将随机森林分类器的检测结果与Cam Shift 跟踪器的跟踪结果相融合；

Step 5. 利用P-N 学习策略更新随机森林分类器，获得目标的位置；

Step 6. 若视频已经到达最后一帧，则算法结束；否则，转入Step 3；

所述Step 4如下：

Step 4.1 如果随机森林分类器和Cam Shift跟踪器都有边界框作为输出，但随机森林分类器有多个相似位置被判定出来，而Cam Shift跟踪器仅找到一个目标位置，此时以空间重叠度对若干检测结果进行聚类分割；

Step 4.2 如果Cam Shift跟踪器没有边界框输出，而随机森林分类器有边界框输出，那么对多个检测结果以空间重叠度的聚类进行分割，此时采用第一个聚类分割结果作为融合结果；

Step 4.3 如果一个相关值较大的聚类决策结果出现，但是该决策结果与Cam Shift跟踪器结果相差较远，则采用该决策结果作为融合结果，然后对Cam Shift跟踪器重新进行初始化并丢掉原来认为正确的样本集；

Step 4.4 如果Cam Shift跟踪器有边界框输出，而随机森林分类器并无边界框输出，那么采用Cam Shift跟踪器输出的结果作为融合结果；

Step 4.5 如果随机森林分类器和Cam Shift跟踪器均无边界框输出，则认为目标消失。

说明书

基于改进TLD的监控视频车辆检测跟踪方法

技术领域

[0001] 本发明涉及智能交通视频处理领域，尤其是一种准确性高的、鲁棒性好的基于改进TLD的监控视频车辆检测跟踪方法。

背景技术

[0002] L-K光流法对目标的逐帧跟踪是在假定无目标消失或完全遮挡的环境下进行的，其也被称为短期跟踪器。该类跟踪器通常缺少对发生跟踪错误后的直接处理，很难在长时间的目标跟踪中取得好的效果。目前，人们对该类短期跟踪方法的研究主要集中在对跟踪精度和速度的提高，以及延长跟踪时间方面，但在跟踪精度不理想的情况下，却不能有效避免跟踪误差的积累和漂移现象。近年来，出现了一种新的单目标长时间跟踪算法TLD (Tracking Learning - Detection)，该算法将跟踪算法和检测算法进行结合，从而克服了目标在跟踪过程中发生形变和部分遮挡的问题；同时，该算法引进了一种在线学习机制，将跟踪器和检测器所获得的结果输入给学习模块，又将学习后的模型反馈给跟踪和检测模块，从而使目标的检测与跟踪更加稳定有效。然而，由于在跟踪模块采用了基于运动一致连贯性假设的L-K光流法，该算法对周期较短、帧间运动有限、肉眼可见情况下的目标在连续帧间的运动具有较好的预测结果，而对于那些大幅度、快速运动的目标，其预测和跟踪性能却尚不理想。

发明内容

[0003] 本发明是为了解决现有技术所存在的上述技术问题，提供一种准确性高的、鲁棒性好的基于改进TLD的监控视频车辆检测跟踪方法。

[0004] 本发明的技术解决方案是：一种基于改进TLD的监控视频车辆检测跟踪方法，其特征在于按照以下步骤进行：

[0005] Step 1. 输入第1帧视频图像，手动标记出待跟踪的目标，令 ；

[0006] Step 2. 初始化随机森林分类器和Cam Shift跟踪器；

[0007] Step 3. 令 ，载入第 帧视频图像，并利用随机森林分类器检测目标，利用Cam Shift 跟踪器跟踪目标并得到目标框的调整尺度；

[0008] Step 4. 将随机森林分类器的检测结果与Cam Shift 跟踪器的跟踪结果相融合；

[0009] Step 5. 利用P-N 学习策略更新随机森林分类器，获得目标的位置；

[0010] Step 6. 若视频已经到达最后一帧，则算法结束；否则，转入Step 3。

[0011] 所述Step 4如下：

[0012] Step 4.1 如果随机森林分类器和Cam Shift跟踪器都有边界框作为输出，但随机森林分类器有多个相似位置被判定出来，而Cam Shift跟踪器仅找到一个目标位置，此时以空间重叠度对若干检测结果进行聚类分割；

[0013] Step 4.2 如果Cam Shift跟踪器没有边界框输出，而随机森林分类器有边界框输出，那么对多个检测结果以空间重叠度的聚类进行分割，此时采用第一个聚类分割结果作为融合结果；

[0014] Step 4.3 如果一个相关值较大的聚类决策结果出现，但是该决策结果与Cam Shift跟踪器结果相差较远，则采用该决策结果作为融合结果，然后对Cam Shift跟踪器重新进行初始化并丢掉原来认为正确的样本集；

[0015] Step 4.4 如果Cam Shift跟踪器有边界框输出，而随机森林分类器并无边界框输出，那么采用Cam Shift跟踪器输出的结果作为融合结果；

[0016] Step 4.5 如果随机森林分类器和Cam Shift跟踪器均无边界框输出，则认为目标消失。

[0017] 本发明采用基于车辆颜色特征的分块Cam Shift跟踪器替代L-K光流的点跟踪器，通过Cam Shift所获取的车辆区域颜色直方图实现对跟踪目标的描述，再通过捕捉区域的颜色直方图相似性度量实现对跟踪目标在前后两帧间运动量的预估；进一步结合随机森林检测器获得车辆目标的粗略位置，以及通过P-N学习实时地对检测器进行观测和对跟踪器进行定位，从而实现有效的车辆检测跟踪。与现有的技术相比，本发明提高了在长时间跟踪过程中大幅度、快速变化下的运动车辆跟踪的准确性和鲁棒性。

附图说明

[0018] 图1是本发明实施例的流程图。

[0019] 图2是倾斜角度城市监控场景下的检测跟踪结果对比图。

[0020] 图3是高空城市监控视频场景下的检测跟踪结果对比图。

[0021] 图4是雨天城市公路监控视频场景下的检测跟踪结果对比图。

[0022] 图5是斜角高速公路监控视频场景下的检测跟踪结果对比图。

具体实施方式

[0023] 如图1所示：基于改进TLD的监控视频车辆检测跟踪算法步骤如下：

[0024] Step 1. 输入第1帧视频图像，并以人工的方式手动标记出待跟踪的目标，令 ；

[0025] Step 2. 初始化随机森林分类器和Cam Shift跟踪器；

[0026] Step 3. 令 ，载入第 帧视频图像，利用随机森林分类器检测目标，利用Cam Shift 跟踪器跟踪目标，从而得到目标框的调整尺度；

[0027] Step 4. 将随机森林分类器的检测结果与Cam Shift 跟踪器的跟踪结果相融合；

[0028] Step 5. 利用P-N 学习策略更新随机森林分类器，获得目标的位置；

[0029] Step 6. 若视频已经到达最后一帧，则算法结束；否则，转入Step 3。

[0030] 所述Step 4包含如下步骤：

[0031] Step 4.1 如果随机森林分类器和Cam Shift跟踪器都有边界框作为输出，但随机森林分类器有多个相似位置被判定出来，而Cam Shift跟踪器仅找到一个目标位置，此时以空间重叠度对若干检测结果进行聚类分割；

[0032] Step 4.2 如果Cam Shift跟踪器没有边界框输出，而随机森林分类器有边界框输出，那么对多个检测结果以空间重叠度的聚类进行分割，此时采用第一个聚类分割结果作为融合结果；

[0033] Step 4.3 如果一个相关值较大的聚类决策结果出现，但是该决策结果与Cam Shift跟踪器结果相差较远，则采用该决策结果作为融合结果，然后对Cam Shift跟踪器重新进行初始化并丢掉原来认为正确的样本集；

[0034] Step 4.4 如果Cam Shift跟踪器有边界框输出，而随机森林分类器并无边界框输出，那么采用Cam Shift跟踪器输出的结果作为融合结果；

[0035] Step 4.5 如果随机森林分类器和Cam Shift跟踪器均无边界框输出，则认为目标消失。

[0036] 本发明实施例倾斜角度城市监控场景下的检测跟踪结果对比如图2所示。

[0037] 本发明实施例高空城市监控视频场景下的检测跟踪结果对比如图3所示。

[0038] 本发明实施例雨天城市公路监控视频场景下的检测跟踪结果对比如图4所示。

[0039] 本发明实施例斜角高速公路监控视频场景下的检测跟踪结果对比如图5所示。

[0040] 本发明实施例依次在上述不同场景下的程序运行时间对比如表1：

[0041] 表1

[0042]

[0043] 本发明实施例依次在上述不同场景下的跟踪质量对比如表2：

[0044] 表2

[0045]