蹤特征；篩選運(yùn)動(dòng)區(qū)域內(nèi)未被其他運(yùn)動(dòng)目標(biāo)所遮擋的子塊作為有效匹配子塊；并將有效匹 配子塊的跟蹤特征與預(yù)先建立的多個(gè)運(yùn)動(dòng)目標(biāo)中相對(duì)應(yīng)的子塊的跟蹤特征進(jìn)行匹配，以確 定運(yùn)動(dòng)目標(biāo)的當(dāng)前位置?？梢?jiàn)，本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法及裝置，能 夠?qū)徊嬲趽醯哪繕?biāo)進(jìn)行跟蹤。
【附圖說(shuō)明】
[0051] 圖1為本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法的一種【具體實(shí)施方式】的 流程圖；
[0052] 圖2- (a)、2- (b)以及2- (c)為常用的分塊方式示意圖；
[0053] 圖3為相位差異的示意圖；
[0054] 圖4為子塊的跟蹤特征獲取示意圖；
[0055] 圖5為預(yù)測(cè)兩個(gè)目標(biāo)的交叉遮擋情況示意圖；
[0056] 圖6為本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法的另一種【具體實(shí)施方式】 的流程圖；
[0057] 圖7為運(yùn)動(dòng)檢測(cè)框與目標(biāo)的對(duì)應(yīng)關(guān)系不意圖；
[0058] 圖8為本發(fā)明所提供的交叉遮擋的跟蹤策略示意圖；
[0059] 圖9本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的裝置的一種【具體實(shí)施方式】的結(jié) 構(gòu)框圖。
【具體實(shí)施方式】
[0060] 為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和【具體實(shí)施方式】 對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是 全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提 下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0061] 本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法的一種【具體實(shí)施方式】的流程圖 如圖1所示，該方法包括：
[0062] 步驟S101 :采集視頻幀圖像；
[0063] 步驟S102 :從所述視頻幀圖像中檢測(cè)出各個(gè)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)區(qū)域；
[0064] 步驟S103 :對(duì)所述運(yùn)動(dòng)區(qū)域進(jìn)行分塊，獲取所述運(yùn)動(dòng)區(qū)域內(nèi)子塊的跟蹤特征；
[0065] 步驟S104 :篩選所述運(yùn)動(dòng)區(qū)域內(nèi)未被其他運(yùn)動(dòng)目標(biāo)所遮擋的子塊作為有效匹配 子塊；
[0066] 步驟S105 :將所述有效匹配子塊的跟蹤特征與預(yù)先建立的多個(gè)運(yùn)動(dòng)目標(biāo)中相對(duì) 應(yīng)的子塊的跟蹤特征進(jìn)行匹配，分別確定各個(gè)運(yùn)動(dòng)目標(biāo)的當(dāng)前位置；
[0067] 其中，所述跟蹤特征包括通過(guò)對(duì)區(qū)域內(nèi)子塊進(jìn)行閾值處理得到的強(qiáng)梯度帶特征以 及區(qū)域內(nèi)側(cè)的灰度特征。
[0068] 需要明確的是，本申請(qǐng)中的"遮擋"指的是目標(biāo)與目標(biāo)之間的交叉遮擋。
[0069] 具體地，跟蹤特征包括：強(qiáng)梯度帶特征（表示為Edge)以及內(nèi)側(cè)灰度特征（表示為 Gray)，其中強(qiáng)梯度帶特征為大于等于預(yù)設(shè)閾值的梯度方向，灰度特征為沿梯度方向向中心 推移預(yù)設(shè)個(gè)像素點(diǎn)作為內(nèi)側(cè)點(diǎn)的灰度值。
[0070] 本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法，通過(guò)采集視頻幀圖像，檢測(cè)出 各個(gè)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)區(qū)域；對(duì)該運(yùn)動(dòng)區(qū)域進(jìn)行分塊，獲取得到運(yùn)動(dòng)區(qū)域內(nèi)子塊的跟蹤特征； 篩選運(yùn)動(dòng)區(qū)域內(nèi)未被其他運(yùn)動(dòng)目標(biāo)所遮擋的子塊作為有效匹配子塊；并將有效匹配子塊的 跟蹤特征與預(yù)先建立的多個(gè)運(yùn)動(dòng)目標(biāo)中相對(duì)應(yīng)的子塊的跟蹤特征進(jìn)行匹配，以確定運(yùn)動(dòng)目 標(biāo)的當(dāng)前位置?？梢?jiàn)，本發(fā)明所提供的對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法，能夠?qū)δ繕?biāo)與目標(biāo) 之間存在交叉遮擋的多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。
[0071] 由于發(fā)生遮擋的時(shí)候，目標(biāo)未被遮擋的局部信息是刻畫(huà)目標(biāo)的唯一有效信息，因 此可以利用局部信息來(lái)完成對(duì)整體目標(biāo)的匹配。而常用的刻畫(huà)目標(biāo)局部信息的方式就是分 塊，分塊主要分為硬性分塊和柔性分塊兩種方式，一種是根據(jù)特征變化的柔性分塊方式，如 圖2-(a)所示，另一種是硬性分塊（固定分塊），如圖2-(b)、2-(C)所示。由于在準(zhǔn)剛性物 體（如行人）的遮擋問(wèn)題中，目標(biāo)的局部信息與整體的相對(duì)位置是固定的，因此不宜采用柔 性分塊方式，只能使用固定分塊，然而當(dāng)遮擋發(fā)生時(shí)，未被遮擋的局部往往出現(xiàn)在非中心區(qū) 域，因此若采用圖2_(b)的方式進(jìn)行分塊必然導(dǎo)致局部信息失效。結(jié)合上述分析以及本申 請(qǐng)的研究算法，本實(shí)施例采用圖2-(c)所示的分塊方式。
[0072] 特征選擇在目標(biāo)跟蹤中扮演著非常重要的角色，特征選擇是否恰當(dāng)直接影響著跟 蹤算法的性能。在目標(biāo)跟蹤算法中，目標(biāo)可以用不同的特征表示，如顏色、梯度等。但在柔性 目標(biāo)跟蹤（如行人）中，由于目標(biāo)大小和形狀的變化在各個(gè)子塊中會(huì)產(chǎn)生相位差異。如圖 3所示，當(dāng)子塊的大小或者位置發(fā)生變化時(shí)，子塊中的特征會(huì)產(chǎn)生相位移動(dòng)，由于顏色、灰度 等特征是對(duì)子塊內(nèi)的所有像素點(diǎn)進(jìn)行統(tǒng)計(jì)，當(dāng)相位移動(dòng)時(shí)影響較大，特征不穩(wěn)定，從而易導(dǎo) 致跟蹤算法失效。而邊緣只占子塊的一部分，相位移動(dòng)對(duì)整體的統(tǒng)計(jì)結(jié)果影響較小，子塊的 特征相對(duì)而言更加穩(wěn)定。
[0073] 由于邊緣檢測(cè)的結(jié)果數(shù)量較少，統(tǒng)計(jì)結(jié)果會(huì)不穩(wěn)定，因此本發(fā)明將通過(guò)閾值處理 的強(qiáng)梯度帶作為跟蹤特征。如圖4所示，當(dāng)統(tǒng)計(jì)目標(biāo)子塊的梯度時(shí)，背景中邊緣的梯度信息 也會(huì)被統(tǒng)計(jì)，對(duì)目標(biāo)子塊梯度的統(tǒng)計(jì)會(huì)產(chǎn)生影響。但我們觀察到當(dāng)運(yùn)動(dòng)目標(biāo)在背景中移動(dòng) 時(shí)，雖然目標(biāo)邊緣外部的背景在不斷的變化中，但目標(biāo)內(nèi)部的灰度特征是相對(duì)穩(wěn)定的。因 此，為了使目標(biāo)的特征更加穩(wěn)定，本申請(qǐng)?zhí)岢鲅刂鴱?qiáng)梯度帶上所有點(diǎn)的梯度方向向目標(biāo)匹 配時(shí)的搜索中心點(diǎn)推移dis個(gè)像素點(diǎn)得到內(nèi)側(cè)點(diǎn)，然后將該內(nèi)側(cè)點(diǎn)的灰度值與強(qiáng)梯度帶上 對(duì)應(yīng)點(diǎn)的梯度方向組合使用，得到跟蹤特征，即G&E特征。而且背景干擾邊緣具有很強(qiáng)的隨 機(jī)性，通過(guò)學(xué)習(xí)可以減弱其對(duì)目標(biāo)特征的干擾，從而使G&E特征更加穩(wěn)定。
[0074] 進(jìn)一步地，跟蹤特征（G&E特征）可具體通過(guò)下述方式獲取得到：
[0075] 通過(guò)索貝爾（sobel)算子計(jì)算相應(yīng)區(qū)域內(nèi)所有像素點(diǎn)的梯度值；
[0076] 將所述梯度值與預(yù)設(shè)閾值相比較，獲取所述梯度值大于所述預(yù)設(shè)閾值的強(qiáng)梯度像 素點(diǎn)；其中，預(yù)設(shè)閾值可以具體選為最大梯度幅值的三分之一。當(dāng)然也可以為其他數(shù)值，這 都不影響本發(fā)明的實(shí)現(xiàn)。
[0077] 沿所述強(qiáng)梯度像素點(diǎn)的梯度方向向目標(biāo)匹配時(shí)的搜索中心推移預(yù)設(shè)個(gè)像素點(diǎn)，得 到內(nèi)側(cè)點(diǎn)灰度值；預(yù)設(shè)個(gè)像素點(diǎn)dis根據(jù)經(jīng)驗(yàn)值可以具體選為3-5。
[0078] 將梯度方向以及灰度值分別均分為預(yù)設(shè)多個(gè)等級(jí)進(jìn)行統(tǒng)計(jì)分析；如可均分為 8(0-180)以及16(0-255)個(gè)等級(jí)來(lái)進(jìn)行統(tǒng)計(jì)。
[0079] 通過(guò)梯度方向直方圖和灰度直方圖的重心對(duì)子塊特征進(jìn)行量化，得到所述子塊的 跟蹤特征。
[0080] 在目標(biāo)跟蹤中，當(dāng)目標(biāo)之間發(fā)生遮擋時(shí)，目標(biāo)被遮擋部分的信息已經(jīng)失效，此時(shí)如 果繼續(xù)將該部分的特征作為匹配特征，必然導(dǎo)致跟蹤算法失效。因此，子塊的篩選也是目標(biāo) 跟蹤中至關(guān)重要的一部分。本實(shí)施例針對(duì)單目標(biāo)之間發(fā)生相互遮擋的情況，對(duì)于以多個(gè)目 標(biāo)粘黏狀態(tài)進(jìn)入場(chǎng)景的情況不予考慮。當(dāng)遮擋情況發(fā)生的時(shí)候，本發(fā)明通過(guò)對(duì)遮擋情況的 分析篩選出能夠有效代表遮擋時(shí)目標(biāo)特征的子塊作為目標(biāo)的局部特征。
[0081] 本實(shí)施例中篩選有效匹配子塊的具體過(guò)程可以為：
[0082] 預(yù)測(cè)各個(gè)運(yùn)動(dòng)目標(biāo)在下一幀圖像中的位置坐標(biāo)；
[0083] 通過(guò)所述運(yùn)動(dòng)目標(biāo)的位置坐標(biāo)和透視原理判斷所述運(yùn)動(dòng)目標(biāo)之間是否存在遮 擋；