本發明公開了一種基于深度學習特征模板匹配的在線實時行人跟蹤新方法，包括如下步驟：1)讀取數據，得到第i幀圖像I_i；2)判斷目標丟失幀數是否達到閾值，達到則認為該目標已不在視頻中出現，則清除對應目標的特征；反之認為目標因某種原因在過去幾幀中暫時沒有被檢測到，暫時保留對應特征；3)通過行人檢測模型M_d進行行人檢測；4)特征提取；5)特征對比；6)通過分配算法進行目標的身份分配；7)特征更新/加入新特征后，對其對應的丟失幀數歸零/初始化，并讀取新的一幀，進入下一次循環。通過使用模板匹配以及分配算法可以有效解決視覺監控中行人跟蹤時因遮擋導致的中斷問題。

技術領域

本發明涉及視覺監控技術領域，尤其涉及一種基于深度學習特征模板匹配的在線實時行人跟蹤新方法。

背景技術

在各類視覺監控的場景中，對人的動作行為進行分析都具有極大的價值。在機器視覺領域，行人跟蹤是目標跟蹤的子問題。一般而言，跟蹤算法主要由狀態估計算法和分配算法組成。其中狀態估計的經典算法使用卡爾曼濾波，通過當前時刻的目標位置(即此時的狀態)，在考慮目標的速度、方向等因素的情況下對下一時刻的狀態進行預測得到“預測狀態”，并依據下一時刻的“觀測狀態”與“預測狀態”的差別進行概率估計(通常使用卡方分布)。在得到各個狀態的概率估計后則建立以前后兩幀的目標為節點，以概率大于某一閾值的狀態作為邊的圖，以“鄰接矩陣”或“鄰接表”表示，并在該圖上通過分配算法將下一時刻的多個目標“盡量全部分配”到這一時刻的目標(通常使用匈牙利算法)。當分配(配對)完成后，則更新目標對應的狀態并進行下一次預測，周而復始地進行目標跟蹤。在這個過程中可能出現目標暫時消失(遮擋或短暫離開了攝像頭能拍攝到的區域)，目標離開和新目標產生等情況，其中又以“目標暫時消失”這一情況會對狀態估計算法帶來最大的負面影響，同時這影響也可能造成后續的分配算法失效。

現有的主流行人跟蹤算法需要進行狀態估計，那么當某一段時刻有目標短暫的消失后再次出現時，兩次的狀態變化較大，狀態估計的誤差也就很大，導致算法認為這是一個新的目標重新開始跟蹤，從而出現跟蹤中斷的問題。

另外，現有的主流行人跟蹤算法需要維護一個較大的模板庫，每個個體通常最大保留100個模板，存儲空間消耗大，每一次配對都需要單獨計算當前幀中所有目標與模板庫中所有歷史模板的距離，匹配時間長。

發明內容

本發明提供了一種基于深度學習特征模板匹配的在線實時行人跟蹤新方法，目的在于：

1.通過模板匹配的方式摒棄狀態估計，從而避免狀態估計帶來的錯誤；

2.加入模板更新機制，避免維護巨大的模板庫，可以顯著降低空間消耗；

3.使用更高效的模板匹配方式，直接從提取的特征和模板得到鄰接矩陣，可以顯著減少匹配時間。

為實現本發明的目的，本發明提供了一種基于深度學習特征模板匹配的在線實時行人跟蹤新方法，包括如下步驟：

1)讀取數據，得到第i幀圖像I_i；

目標消失幀數+1：無論實際有沒有丟失目標，將記錄在特征庫里所有的特征對應的目標的丟失幀數L加1，L＝[l₁，...，l_k]，k為特征庫中記錄特征的數量；

2)判斷目標丟失幀數是否達到閾值，達到則認為該目標已不在視頻中出現，則清除對應目標的特征；反之認為目標因某種原因在過去幾幀中暫時沒有被檢測到，暫時保留對應特征；

3)通過行人檢測模型M_d進行行人檢測，即通過P_i＝M_d(I_i)得到行人的前景圖像P_i∈Rⁿ，其中n為檢測到的行人數量，若n＝0，未檢測到行人，則不再后續處理，重新讀取下一幀；若n0，檢測到行人，進入下一步處理；