基于核函數非監督聚類的多目標跟蹤方法及系統的制作方法
【技術領域】
[0001] 本發明涉及的是一種圖像處理技術領域多目標跟蹤技術及系統，具體是一種基于 核函數非監督聚類的多目標跟蹤技術，以及實現該技術的軟件系統。
【背景技術】
[0002] 隨著計算機視覺的發展和人們對公眾安全意識不斷增強，多目標監控在生產和生 活中占有了越來越重要的地位。目標檢測和目標跟蹤成了重要的研究內容。在監控系統中， 跟蹤算法可以降低人工成本，節約社會資源。但是因為跟蹤環境中有很多不確定性的因素， 目標的多樣性、復雜多變的光照環境、陰影干擾等問題都會給跟蹤算法帶來干擾。這也造成 目前已有的很多系統無法在實際應用環境下穩定的工作，從而缺少真正意義上的智能監控 系統。對于多目標跟蹤而言，除上述問題，各個目標之間的相關性、相互遮擋等問題都會給 準確跟蹤帶來更大的難度。
[0003] 基于此，山東大學常發亮老師與柯晶老師基于雙目視覺的運動目標檢測與跟蹤能 有效解決遮擋、陰影等問題。2006年，常發亮老師將單目中的Camshift算法應用于雙目視 覺中，2007年提出基于分層網絡最小分割的立體匹配方法對運動目標進行跟蹤。之后柯晶 老師從改進的Harris角點算法改善檢測效果，然后，他們又利用之前Harris匹配的精確角 點作為控制點，進行區域相關的匹配得到整體稠密的視差圖。但是這樣稠密視差圖計算復 雜度依然很高，尤其在場景背景復雜度比較高的情況下，很難達到實時跟蹤的效果。
[0004] 經過對現有技術的檢索發現，中國專利文獻號CN103106659A公開（公告）日 2013.05. 15,公開了一種基于雙目視覺稀疏點匹配的空曠區域目標檢測與跟蹤方法，也是 利用雙目系統得到特征點世界坐標系，并投影至地平面上，借助人體體型信息和黃金分割 比完成離散點聚類。最后，以聚類為單元，結合聯合概率數據關聯和目標顏色信息完成監控 區域內行人目標的魯棒檢測與跟蹤。該技術使得運算量變小，并且使得目標檢測和跟蹤更 為準確。但該技術將世界坐標系中特征點投影到地面之后，利用人體體型及黃金分割比對 二維投影點進行聚類，難以做到對三維目標形狀的高精度匹配。此外，使用聯合概率數據對 第一幀目標稀疏特征點凸多邊形顏色直方圖和新檢測到目標更新目標位置，直方圖的統計 計算事實上又回到了稠密區域的計算，只是縮小了稠密區域的計算范圍，當目標較多時，依 然很難滿足實時性要求。
[0005] 中國專利文獻號CN101344965公開（公告）日2009. OL 14,公開了一種計算機視 覺領域的全自動的目標檢測與跟蹤系統，其中：輸入模塊負責采集雙目攝像機所拍攝的數 字圖像作為系統輸入，所獲得的數字圖像輸入到特征提取模塊對其中一種圖像進行特征分 析出一些特征點作為隨后的處理圖像。通過匹配兩張圖像中特征點后計算其視差，結合預 先獲知的相機內外參數，可計算出特征點的相機坐標系下坐標。進一步通過世界坐標系與 相機坐標系的關系，可知特征點世界坐標下坐標。聚類模塊將這些特征點聚類成集合表達 目標位置，而軌跡分析模塊估計時間序列上的目標位置得出目標的運動軌跡。但該技術聚 類利用目標特征點高度和位置進行聚類，同樣面臨目標精度匹配問題，當背景比較復雜是， 很難對不同形狀的目標進行精準的匹配。

【發明內容】

[0006] 本發明針對現有技術存在的上述不足，提出一種基于核函數非監督聚類的多目標 跟蹤方法，并實現該技術軟件系統。利用多攝像頭獲取圖像，通過不同視場圖像目標特征之 間的聯系，計算特征點空間坐標，解決遮擋問題帶來的干擾。接著，通過提取目標稀疏特征 點并計算在空間位置的三維信息，并使用本文發明的基于核函數非監督聚類方法，將目標 位置和目標方向作為變量，直接對世界坐標三維特征點進行爬山并聚類，確定多目標的位 置和方向。并結合最優估計算法，根據上一幀跟蹤結果與當前幀檢測結果，評估最優目標位 置與方向。本發明引入的核函數可以根據不同特征、不同形狀的目標構造不同的核函數，可 以對不同目標進行更精確的匹配。此外，借助最優估計算法，僅使用稀疏特征點聚類結果得 到的目標位置與方向以及上一幀的結果便可以估計當前幀最優目標位置與方向。
[0007] 本發明是通過以下技術方案實現的：
[0008] 本發明涉及一種基于核函數非監督聚類的多目標跟蹤方法，包括以下步驟：
[0009] 1)首先通過雙目攝像頭獲取同一時刻左、右序列圖作為輸入，利用雙目相機參數 對圖像校正。
[0010] 2)通過提取圖像特征點并匹配特征，計算視差。
[0011] 3)利用得到的視差計算目標特征點相對相機坐標位置，即相機坐標，并完成地面 標定，從而根據特征點距離地面高度，可以過濾地面陰影特征點，消除地面陰影的干擾。
[0012] 4)針對三維坐標特征點，結合使用核函數，對不確定類別數的目標進行非監督聚 類，將一個目標的所有特征點聚合成一個集合，即每一類別對應一個觀測值的位置及方向， 并結合上一幀目標的位置及方向預測得到目標所在當前幀，即預測值的位置及方向預測 值，使用最優估計算法最終得到最優目標的位置及方向，從而達到多目標快速跟蹤的效果。
[0013] 所述的圖像校正是指利用雙目相機的內部和外部參數，對獲取到的圖像進行校 正，使得：
[0014] i)同一時刻空間一個點在左、右序列圖中滿足對極幾何定理。
[0015] ii)左、右序列圖中的任--幅中的一個確定點對應的空間位置在另一序列圖的 極線上。
[0016] 所述的匹配特征是指先在左、右序列圖中的任一一幅中提取特征點，并利用匹配 算法在另一序列圖中的極線上搜索對應的目標點。
[0017] 所述的地面標定是指：在地面上做標記，提取左、右序列圖中該標記上的特征點， 計算其相機坐標，并利用最小二乘方法對地面上的特征點相機坐標擬合地平面參數方程。
[0018] 所述的步驟4,具體包括：
[0019] a)對所有特征點進行過濾，篩選出高度可能屬于目標的特征點，再為每個特征點 初始化一個角度Θ。，作為每個特征點可能屬于某個目標的旋轉角度，即目標方向；
[0020] b)構造核密度函數為每個樣本點估計概率的權重值，在概率空間尋找局部最大值 對應空間中目標位置。在搜索時，從一個起始點開始在其鄰域范圍內不斷搜索更大的概率 空間點，直至達到局部最大點的位置。即mean -shift爬山過程，并使用非監督聚類方法對 爬山后的特征點位置進行聚類，類別數表示目標個數。
[0021] c)利用最優估計算法，根據目標過去的運動向量預測新的運動向量，在上幀位置 基礎上得到當前幀的預測位置，達到對當前位置測量值修正的效果。
[0022] 所述的構造核密度函數是指，通過特征點位置變量和角度變量，構造一個函數表 示該特征點在地面投影的概率密度：Φ %札(rf/W4)，其中：概 率空間Ε(χ，Θ)中的局部最大點對應著離散空間中點最稠密位置，表示當前幀檢測到的目 標，Md1(Q)KHx(Clj(X), Q1)是方向和位置的核函數，Cl1(Q)Uj(X)是方向與位置的歸一 化距離測度函數，φ(θ) = I |Ae (Θ-Q1) I |2, +(θ) = I |Ax(X-Xj) I |2,測度函數中的變量 x_j是指第j個特征點在地面上的投影坐標，變量Θ i是在X 表示第j個特征投影點的坐標 [0, 2 31 ]中的第i個方向值，w]表示第j個特征投影點的權重值，即特征投影點確定目標位 置時的相對重要性。靠近目標中心重要性也越大。
[0023] 所述的核函數Hx與方向核函數H e表示目標特征點的空間性質，不同的目標類型 有不同的空間屬性，也應該對應不同的核函數,Hjd, (X)，G1)是指在方向參數作用下 移橢圓中心將Hx(d,)逆時針旋轉Q 1角度得到的核函數，方向核函數表示形狀核函數相對 中心的旋轉角度，從[0, 2 31]區域里均勻選取^個角度樣本值。
[0024] 所述的使用非監督聚類方法對爬山后的特征點位置進行聚類是指，將爬山后距離 很小的點聚為一類，表示一個目標，其中：兩個特征點之間的距離可以表示為d( Xl，Xj)，當 距離小于一定值則劃分為一類。
[0025] 對于聚類結果，如果兩個小的類別距離很近，則將兩個小類別合并為一個大類別。 反之，對于一個大類別如果類內特征點分的比較開，則將該大類別拆分為兩個類別。為了評 測聚類是否屬于大聚類而分割成兩個小的聚類，基于方向距離定義聚類內部點距離的方差 為：
該方差表示較小的聚類，具有較大權重投影點都靠近中心點，即 該聚類的方差較小，而大的聚類包含多個目標的投影點，造成許多大權重的點都遠離集合 中心點導致統計方差比較大，故當某個聚類方差較大時應分裂成兩個新的聚類。
[0026] 本發明涉及一種實現上述方法的系統，包括：相機標定模塊、參數輸入模塊、圖像 處理模塊、特征提取與匹配模塊、地面標定模塊、坐標系轉換模塊、核函數聚類模塊、濾波跟 蹤模塊、界面展示模塊，其中：相機標定模塊標定雙目相機的相機參數并存儲于參數輸入模 塊，參數輸入模塊讀取標定好的相機參數輸出至圖像處理模塊，圖像處理模塊根據相機參 數對雙目序列圖片進行校正并輸出至特征提取與匹配模塊，特征提取與匹配模塊從校正后 的圖片中提取出目標特征，通過相關性匹配特征點計算特征點視差和相機坐標并分別輸出 至坐標系轉換模塊和地面標定模塊，地面標定模塊對地面參數進行標定，并在跟蹤時將地 面參數輸出至坐標系轉換模塊，坐標系轉換模塊將特征點的相機坐標轉換為世界坐標并輸 出至核函數聚類模塊進行聚類，核函數聚類模塊將每個目標聚成一個集合，即當前幀檢測 結果輸出至濾波跟蹤模塊，濾波跟蹤模塊根據上一幀結果及當前幀檢測結果估計出最優的 目標位置與方向，并由界面展示模塊顯示跟蹤結果。 技術效果
[0027] 與現有技術相比，本發明利用搭建的雙目視覺平臺將監控場景中目標特征還原出 三維坐標信息。新穎的核函數聚類算法依據特征點距離地面高度和位置形成聚類集合，確 定目標的數量、位置以及方向。該方法與傳統基于顏色特征的方法相比，在光照變化條件下 更穩定，因為兩個相機觀察同一場景光照變化可以相互抵消。同時靠近地板平面的陰影的 特征點由于高度較低而被過濾，從而有效地解決了陰影問題帶來的干擾，且目標在俯視角 度下不存在目標之間的遮擋問題。此外，