主权项 |
一种基于在线学习跟踪视频监控中多个运动目标的方法,其特征在于,包括以下步骤:(1)接收输入视频序列,利用离线训练的行人检测器并采用多尺度遍历搜索框的方法标定输入视频序列中目标的位置;(2)采用基于颜色特性的保守关联方法对输入视频序列中连续两帧之间的检测目标进行数据关联,以得到多个可靠保守的短时跟踪轨迹片;(3)根据短时跟踪轨迹片并利用同一目标的运动分布特性和颜色相似特性构建正、负样本集,其中正样本集均来自同一目标的运动轨迹,负样本集来自不同目标的运动轨迹;(4)利用构建的正、负样本集训练霍夫随机森林,该霍夫随机森林种的叶子节点存储了正、负样本集的类别统计特性和轨迹运动特性;(5)利用时域约束特性将短时跟踪片中首尾间隔差小于阈值T<sub>p</sub>的任意两个短时跟踪片构建成可能关联轨迹对,所有的可能关联轨迹对构成可能关联轨迹对集合,将每个可能关联轨迹对进行特征描述,以生成检测样本的特征集,并将检测样本的特征集送入霍夫森林中,以得到该特征集对应的叶子节点;(6)获取叶子节点L的类别统计特性<img file="FDA0001018751690000011.GIF" wi="211" he="70" />和运动统计特性<img file="FDA0001018751690000012.GIF" wi="238" he="62" />从而得到所有关联轨迹对的关联概率<img file="FDA0001018751690000013.GIF" wi="651" he="70" />所有关联概率构成关联概率矩阵;(7)判断关联概率矩阵中横、纵最大的两个元素是否大于一阈值,如果是则初步判断这两个元素分别对应的轨迹片属于同一轨迹,然后转入步骤(8),否则表示不属于同一轨迹,然后转入步骤(8);(8)用匈牙利算法对两个元素进行再次判断,以最终确定二者对应的轨迹片属于同一轨迹;只有匈牙利算法判断属于同一轨迹且在步骤(7)中判定属于同一轨迹的轨迹片才认为是真正的关联轨迹对;(9)对步骤(8)得到的属于同一轨迹的两个元素重复执行步骤(3),以得到新的训练样本集,并对该训练样本集执行步骤(4)的学习步骤;(10)增加阈值T<sub>p</sub>的值,并重复上述步骤(5)至(9),直到不能再生成可关联的轨迹对为止。 |