專利名稱：基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域中的目標(biāo)檢測(cè)和跟蹤方法，特別是涉及一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法。
背景技術(shù)：
動(dòng)目標(biāo)檢測(cè)和跟蹤一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向，也是視頻監(jiān)控領(lǐng)域目標(biāo)行為分析和智能視頻事件檢測(cè)的基礎(chǔ)。然而，現(xiàn)存的目標(biāo)檢測(cè)和跟蹤算法還遠(yuǎn)不能滿足視頻監(jiān)控智能分析的需求，完善此方面的工作尤為重要。動(dòng)目標(biāo)檢測(cè)方法主要包括光流法、幀差法和背景差法。光流法計(jì)算復(fù)雜度高，通常不予采用；幀差法主要利用視頻幀間差分信息進(jìn)行前景提取，受目標(biāo)運(yùn)動(dòng)速度影響大，且只能獲取目標(biāo)大致位置信息和大概輪廓，通常會(huì)存在目標(biāo)拉伸現(xiàn)象；背景差法是目前靜止攝像機(jī)視頻處理中應(yīng)用最為廣泛的方法，主要包括非模型法和模型法兩類{錢晉，2007#39}，非模型法主要是從過(guò)去的一組觀測(cè)圖像中按照一定的假設(shè)選擇像素灰度構(gòu)成當(dāng)前的背景圖像，其需要引入用于背景判斷的固定閾值T，這就大大降低了其對(duì)環(huán)境變化的自適應(yīng)能力。而模型法是對(duì)圖像中的每個(gè)像素點(diǎn)建立對(duì)應(yīng)的模型，自適應(yīng)更新模型參數(shù)獲取背景圖像，如Wren.C.R等人提出的單高斯模型、Stauffer.C等人提出的混合高斯模型、Elgammal.A等人提出的非參數(shù)核密度估計(jì)模型。與非模型法相比，模型法能更準(zhǔn)確的提取背景，但計(jì)算量遠(yuǎn)大于非模型法，且同其他方法一樣難以分割有重疊區(qū)域的目標(biāo)，無(wú)法應(yīng)對(duì)光照突變情況。傳統(tǒng)的目標(biāo)跟蹤方法主要包括三個(gè)步驟:目標(biāo)初始特征描述、目標(biāo)運(yùn)動(dòng)位置估計(jì)和特征匹配。這類方法僅在目標(biāo)跟蹤開(kāi)始時(shí)建立特征描述，而不對(duì)其進(jìn)行更新，忽略了目標(biāo)在運(yùn)動(dòng)過(guò)程中自身特征的變化。這種變化來(lái)自內(nèi)部和外部?jī)蓚€(gè)方面，內(nèi)部影響主要體現(xiàn)在目標(biāo)運(yùn)動(dòng)過(guò)程中外形和姿態(tài)的變化，外部影響主要體現(xiàn)在光照變化、相機(jī)運(yùn)動(dòng)、相機(jī)視角變化、以及遮擋造成的目標(biāo)特征丟失。為此，David.R等人提出了伴隨均值更新的增量PCA方法，并引入遺忘因子完成目標(biāo)特征描述的更新；Grabner.H等人提出了基于在線Boosting的更新方法，并以類Haar特征、方向直方圖和局部二值模式作為目標(biāo)特征描述；Babenk0.B等人則在最近提出了依據(jù)在線多示例學(xué)習(xí)的更新方法，顯示了比在線Boosting方法更優(yōu)越的性能，但計(jì)算復(fù)雜度更高。雖然這些方法較之前的跟蹤算法有了明顯的改善，如MeanShift>CAMShift等,但計(jì)算復(fù)雜度大大增加。由于此類算法須在跟蹤開(kāi)始時(shí)準(zhǔn)確選取目標(biāo)區(qū)域，難以在需完成目標(biāo)自動(dòng)檢測(cè)與跟蹤的系統(tǒng)中應(yīng)用。相比單目視覺(jué)，雙目立體視覺(jué)能夠提供監(jiān)控區(qū)域三維信息，且能夠在一定程度上克服光照突變問(wèn)題。Philip.K等人在雙目稠密視差圖的基礎(chǔ)上依據(jù)人體生物信息(按照黃金分割比)完成了行人檢測(cè)，然而稠密視差圖的獲取須確定左右圖像的所有對(duì)應(yīng)像點(diǎn)，計(jì)算量大且易產(chǎn)生誤匹配；Lenz.P等人提出了基于雙目立體視覺(jué)的稀疏點(diǎn)三維光流目標(biāo)檢測(cè)與跟蹤方法，須計(jì)算大量特征點(diǎn)連續(xù)多幀的光流數(shù)據(jù)，依據(jù)各點(diǎn)的速度矢量差異完成目標(biāo)分割，不適于紋理不豐富目標(biāo)或非剛體目標(biāo)；Ca1.L等人提出了基于稀疏匹配點(diǎn)的目標(biāo)檢測(cè)和跟蹤方法，主要依據(jù)MeanShift算法對(duì)離散點(diǎn)聚類，完成目標(biāo)檢測(cè)，并借助Kalman濾波進(jìn)行目標(biāo)跟蹤，相比稠密匹配精度更高，且克服了光照突變問(wèn)題，然而此方法易陷入局部極值造成聚類失敗。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，使得運(yùn)算量變小，并且使得目標(biāo)檢測(cè)和跟蹤更為準(zhǔn)確。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是:提供一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，包括以下步驟:( I)通過(guò)攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)；(2)采用張氏標(biāo)定法標(biāo)定雙目立體視覺(jué)系統(tǒng)；(3)設(shè)定監(jiān)測(cè)區(qū)域；(4)利用由標(biāo)定獲得的攝像機(jī)參數(shù)對(duì)攝像機(jī)獲取的兩幅圖像進(jìn)行矯正，使所有極線平行；(5)提取兩幅圖像興趣區(qū)域內(nèi)的匹配特征點(diǎn)，計(jì)算相應(yīng)點(diǎn)的三維坐標(biāo)，并將特征點(diǎn)映射到地平面上；(6)根據(jù)人體體型和黃金分割比對(duì)離散點(diǎn)進(jìn)行聚類，實(shí)現(xiàn)目標(biāo)檢測(cè)；(7)結(jié)合聚類結(jié)果、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和目標(biāo)顏色信息完成目標(biāo)自動(dòng)檢測(cè)和跟蹤。所述步驟(I)中采用兩臺(tái)攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)，其中兩臺(tái)攝像機(jī)的光軸保持平行，基線寬度為0.3 2m。所述步驟(I)中采用一體化雙目立體攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)。所述步驟(2)包括以下子步驟:(21)依據(jù)標(biāo)定需求對(duì)棋盤標(biāo)定板進(jìn)行采樣，要求每次采樣時(shí)，標(biāo)定板位于兩臺(tái)攝像機(jī)的共同視域內(nèi)，處于不同位置，且標(biāo)定板在兩采樣圖像中占據(jù)的面積超出圖像面積的
一半;(22)依據(jù)張氏標(biāo)定法標(biāo)定兩臺(tái)攝像機(jī)的內(nèi)部參數(shù)和外部參數(shù)，同時(shí)確定攝像機(jī)坐標(biāo)系和世界坐標(biāo)系的轉(zhuǎn)換關(guān)系，其中，世界坐標(biāo)系Z軸垂直地面向上，XY平面與需監(jiān)控的平坦區(qū)域平面平行。所述步驟(5)包括以下子步驟:(51)在第一圖像的興趣區(qū)域內(nèi)進(jìn)行稀疏特征點(diǎn)檢測(cè)，然后在第二圖像沿對(duì)應(yīng)極線方向，在視差范圍內(nèi)利用歸一化互相關(guān)進(jìn)行匹配點(diǎn)檢測(cè)；(52)計(jì)算匹配點(diǎn)對(duì)的三維坐標(biāo)，并依次映射到地平面上。所述步驟(6)包括以下子步驟:(61)初步聚類，將映射到地平面中同一像點(diǎn)的匹配點(diǎn)作為同一類，同時(shí)計(jì)算這些歸屬同一類的匹配點(diǎn)距離地面的最大與最小高度差；(62)深度聚類，若某兩個(gè)初步聚類對(duì)應(yīng)映射圖上的像點(diǎn)歐式距離小于人體肩寬，則將這兩個(gè)分類聚為一類，循環(huán)往復(fù)，直至所有聚類完成；(63)根據(jù)聚類結(jié)果，刪除小分類，分割大分類，對(duì)各個(gè)分類映射到地平面上的像點(diǎn)進(jìn)行橢圓擬合，將橢圓長(zhǎng)軸作為肩寬，橢圓短軸作為人體厚度，若某分類計(jì)算所得肩寬和厚度明顯小于正常人體肩寬和厚度，則將此分類作為小分類刪除，若某分類計(jì)算所得肩寬或厚度過(guò)大，則依照kmeans算法進(jìn)行大分類分割，分類數(shù)目由計(jì)算所得肩寬和厚度相比正常人體肩寬和厚度的倍數(shù)確定，直至所有分類均接近正常尺寸；(64)將最終聚類結(jié)果作為目標(biāo)檢測(cè)結(jié)果。所述步驟(7)包括以下子步驟:(71)檢測(cè)到候選新目標(biāo)后，初始化相應(yīng)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)參數(shù)，依據(jù)目標(biāo)稀疏特征點(diǎn)聚類結(jié)果，以目標(biāo)稀疏特征點(diǎn)在第一圖像中的外接凸多邊形區(qū)域?yàn)槟繕?biāo)區(qū)域建立基于核約束的目標(biāo)顏色直方圖；(72)在跟蹤過(guò)程中依據(jù)跟蹤結(jié)果更新目標(biāo)顏色直方圖屬性，更新方式為h =(l-α ) Xhnew+a Xhold, hnOT為新獲取的基于核約束的目標(biāo)直方圖，h為更新后的目標(biāo)直方圖，Iitjld為更新前的目標(biāo)直方圖；(73)某量測(cè)在滿足聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)量測(cè)有效性判定，如果其對(duì)應(yīng)目標(biāo)顏色直方圖和某已有目標(biāo)相似度在門限內(nèi)時(shí)，則確定該量測(cè)一定不源于雜波或虛警，并依據(jù)此規(guī)則建立確認(rèn)矩陣；(74)在獲得的確認(rèn)矩陣基礎(chǔ)上，按照聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法進(jìn)行目標(biāo)關(guān)聯(lián)，完成目標(biāo)跟蹤。有益效果由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果:本發(fā)明基于已標(biāo)定雙目攝像機(jī)，對(duì)稀疏匹配點(diǎn)聚類，完成對(duì)監(jiān)控區(qū)域行人的自動(dòng)檢測(cè)，并依據(jù)聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和目標(biāo)顏色直方圖信息實(shí)現(xiàn)對(duì)目標(biāo)的魯棒跟蹤。經(jīng)驗(yàn)證，該方法能夠應(yīng)對(duì)目標(biāo)部分遮擋，光照突變問(wèn)題，滿足實(shí)時(shí)性要求，并且運(yùn)算量小，以及目標(biāo)檢測(cè)和跟蹤準(zhǔn)確。


圖1是本發(fā)明攝像機(jī)布設(shè)和坐標(biāo)系示意圖；圖2是本發(fā)明流程圖。
具體實(shí)施例方式下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定的范圍。本發(fā)明的實(shí)施方式涉及一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，包括以下步驟:利用張氏棋盤標(biāo)定法完成對(duì)攝像機(jī)的標(biāo)定，并建立攝像機(jī)坐標(biāo)系和用戶定義的世界坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。之后，執(zhí)行本方法相關(guān)算法，其中，輸入是兩臺(tái)攝像機(jī)的同步圖像，先將圖像矯正到極線平行狀態(tài)，而后利用極線約束完成稀疏特征點(diǎn)匹配。將匹配點(diǎn)映射至世界坐標(biāo)系中，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(diǎn)聚類。最后，以聚類為單元，結(jié)合聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和目標(biāo)顏色信息完成監(jiān)控區(qū)域內(nèi)行人目標(biāo)的魯棒檢測(cè)與跟蹤。如圖2所示，具體步驟如下:
步驟一、架設(shè)視頻采集裝置，通過(guò)兩臺(tái)攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)，也可采用一體化雙目立體攝像機(jī)。若采用分立攝像機(jī)，架設(shè)時(shí)要求兩攝像機(jī)光軸基本保持平行，且有大部分相同視域，基線寬度視需求而定，0.3 2m為宜，此外，要求有大面積的空曠平坦區(qū)域(地面)出現(xiàn)在攝像機(jī)視域內(nèi)。步驟二、標(biāo)定雙目立體視覺(jué)系統(tǒng)。采用張氏標(biāo)定法，該方法只需要一塊棋盤標(biāo)定板，操作簡(jiǎn)單且標(biāo)定精度高，具體步驟如下:Stepl:依據(jù)標(biāo)定需求對(duì)棋盤標(biāo)定板采樣。要求每次采樣時(shí)，標(biāo)定板位于兩攝像機(jī)的共同視域內(nèi)，處于不同位置(與攝像機(jī)的距離不同或傾斜角度不同)，且標(biāo)定板在兩采樣圖像中占據(jù)大量面積(超出圖像面積的一半)。Step2:依據(jù)張氏標(biāo)定法標(biāo)定兩攝像機(jī)的內(nèi)部參數(shù)和外部參數(shù)。同時(shí)確定攝像機(jī)坐標(biāo)系和世界坐標(biāo)系的轉(zhuǎn)換關(guān)系。要求世界坐標(biāo)系Z軸垂直地面向上，XY平面與需監(jiān)控的平坦區(qū)域平面平行，如圖1所示。步驟三、設(shè)定監(jiān)控區(qū)域。要求設(shè)定的監(jiān)控區(qū)域?yàn)榭諘缙教箙^(qū)域(地面)，可直接在兩圖像中分別設(shè)定監(jiān)控區(qū)域，也可將三維監(jiān)控區(qū)域映射至圖像上，最終得到兩圖像上的興趣區(qū)域。步驟四、利用已標(biāo)定參數(shù)對(duì)兩攝像機(jī)獲取的圖像進(jìn)行矯正，使得所有極線平行。步驟五、查找兩圖像興趣區(qū)域內(nèi)的匹配特征點(diǎn)，計(jì)算相應(yīng)點(diǎn)的三維坐標(biāo)，并將特征點(diǎn)映射到地平面上。Stepl:在左圖興趣區(qū)域內(nèi)進(jìn)行Harris角點(diǎn)檢測(cè)，然后在右圖沿對(duì)應(yīng)極線方向，在視差范圍內(nèi)利用NCC (歸一化互相關(guān))進(jìn)行匹配點(diǎn)檢測(cè)，NCC計(jì)算公式為
權(quán)利要求
1.一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，包括以下步驟: (1)通過(guò)攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)； (2)采用張氏標(biāo)定法標(biāo)定雙目立體視覺(jué)系統(tǒng)； (3)設(shè)定監(jiān)測(cè)區(qū)域； (4)利用由標(biāo)定獲得的攝像機(jī)參數(shù)對(duì)攝像機(jī)獲取的兩幅圖像進(jìn)行矯正，使所有極線平行； (5)提取兩幅圖像興趣區(qū)域內(nèi)的匹配特征點(diǎn)，計(jì)算相應(yīng)點(diǎn)的三維坐標(biāo)，并將特征點(diǎn)映射到地平面上； (6)根據(jù)人體體型和黃金分割比對(duì)離散點(diǎn)進(jìn)行聚類，實(shí)現(xiàn)目標(biāo)檢測(cè)； (7 )結(jié)合聚類結(jié)果、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和目標(biāo)顏色信息完成目標(biāo)自動(dòng)檢測(cè)和跟蹤。
2.根據(jù)權(quán)利要求1所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(I)中采用兩臺(tái)攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)，其中兩臺(tái)攝像機(jī)的光軸保持平行，基線寬度為0.3 2m。
3.根據(jù)權(quán)利要求1所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(I)中采用一體化雙目立體攝像機(jī)構(gòu)建雙目立體視覺(jué)系統(tǒng)。
4.根據(jù)權(quán)利要求2所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述 步驟(2)包括以下子步驟: (21)依據(jù)標(biāo)定需求對(duì)棋盤標(biāo)定板進(jìn)行采樣，要求每次采樣時(shí)，標(biāo)定板位于兩臺(tái)攝像機(jī)的共同視域內(nèi)，處于不同位置，且標(biāo)定板在兩采樣圖像中占據(jù)的面積超出圖像面積的一半; (22)依據(jù)張氏標(biāo)定法標(biāo)定兩臺(tái)攝像機(jī)的內(nèi)部參數(shù)和外部參數(shù)，同時(shí)確定攝像機(jī)坐標(biāo)系和世界坐標(biāo)系的轉(zhuǎn)換關(guān)系，其中，世界坐標(biāo)系Z軸垂直地面向上，XY平面與需監(jiān)控的平坦區(qū)域平面平行。
5.根據(jù)權(quán)利要求1所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(5)包括以下子步驟: (51)在第一圖像的興趣區(qū)域內(nèi)進(jìn)行稀疏特征點(diǎn)檢測(cè)，然后在第二圖像沿對(duì)應(yīng)極線方向，在視差范圍內(nèi)利用歸一化互相關(guān)進(jìn)行匹配點(diǎn)檢測(cè)； (52)計(jì)算匹配點(diǎn)對(duì)的三維坐標(biāo)，并依次映射到地平面上。
6.根據(jù)權(quán)利要求5所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(51)中采取雙向匹配策略，且忽略次優(yōu)匹配和最優(yōu)匹配比低于0.9的點(diǎn)，同時(shí)忽略視差明顯不同于周圍匹配點(diǎn)視差的匹配點(diǎn)。
7.根據(jù)權(quán)利要求1所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(6)包括以下子步驟: (61)初步聚類，將映射到地平面中同一像點(diǎn)的匹配點(diǎn)作為同一類，同時(shí)計(jì)算這些歸屬同一類的匹配點(diǎn)距離地面的最大與最小高度差； (62)深度聚類，若某兩個(gè)初步聚類對(duì)應(yīng)映射圖上的像點(diǎn)歐式距離小于人體肩寬，則將這兩個(gè)分類聚為一類，循環(huán)往復(fù)，直至所有聚類完成； (63)根據(jù)聚類結(jié)果，刪除小分類，分割大分類，對(duì)各個(gè)分類映射到地平面上的像點(diǎn)進(jìn)行橢圓擬合，將橢圓長(zhǎng)軸作為肩寬，橢圓短軸作為人體厚度，若某分類計(jì)算所得肩寬和厚度明顯小于正常人體肩寬和厚度，則將此分類作為小分類刪除，若某分類計(jì)算所得肩寬或厚度過(guò)大，則依照kmeans算法進(jìn)行大分類分割，分類數(shù)目由計(jì)算所得肩寬和厚度相比正常人體肩寬和厚度的倍數(shù)確定，直至所有分類均接近正常尺寸； (64)將最終聚類結(jié)果作為目標(biāo)檢測(cè)結(jié)果。
8.根據(jù)權(quán)利要求1所述的基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，其特征在于，所述步驟(7)包括以下子步驟: (71)檢測(cè)到候選新目標(biāo)后，初始化相應(yīng)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)參數(shù)，依據(jù)目標(biāo)稀疏特征點(diǎn)聚類結(jié)果，以目標(biāo)稀疏特征點(diǎn)在第一圖像中的外接凸多邊形區(qū)域?yàn)槟繕?biāo)區(qū)域建立基于核約束的目標(biāo)顏色直方圖； (72)在跟蹤過(guò)程中依據(jù)跟蹤結(jié)果更新目標(biāo)顏色直方圖屬性，更新方式為h=(l-α ) Xhnew+a Xhold, hnOT為新獲取的基于核約束的目標(biāo)直方圖，h為更新后的目標(biāo)直方圖，Iitjld為更新前的目標(biāo)直方圖； (73)某量測(cè)在滿足聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)量測(cè)有效性判定，如果其對(duì)應(yīng)目標(biāo)顏色直方圖和某已有目標(biāo)相似度在門限內(nèi)時(shí)，則確定該量測(cè)一定不源于雜波或虛警，并依據(jù)此規(guī)則建立確認(rèn)矩陣； (74)在獲得的確認(rèn)矩陣基礎(chǔ)上，按照聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法進(jìn)行目標(biāo)關(guān)聯(lián)，完成目標(biāo)跟蹤。`
全文摘要
本發(fā)明涉及一種基于雙目視覺(jué)稀疏點(diǎn)匹配的空曠區(qū)域目標(biāo)檢測(cè)與跟蹤方法，包括以下步驟利用張氏棋盤標(biāo)定法完成對(duì)攝像機(jī)的標(biāo)定，并建立攝像機(jī)坐標(biāo)系和用戶定義的世界坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。之后，執(zhí)行本方法相關(guān)算法，其中，輸入是兩臺(tái)攝像機(jī)的同步圖像，先將圖像矯正到極線平行狀態(tài)，而后利用極線約束完成稀疏特征點(diǎn)匹配。將匹配點(diǎn)映射至世界坐標(biāo)系中，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(diǎn)聚類。最后，以聚類為單元，結(jié)合聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和目標(biāo)顏色信息完成監(jiān)控區(qū)域內(nèi)行人目標(biāo)的魯棒檢測(cè)與跟蹤。本發(fā)明使得運(yùn)算量變小，并且使得目標(biāo)檢測(cè)和跟蹤更為準(zhǔn)確。
文檔編號(hào)G06T7/00GK103106659SQ20131003217
公開(kāi)日2013年5月15日 申請(qǐng)日期2013年1月28日 優(yōu)先權(quán)日2013年1月28日
發(fā)明者胡珂立, 谷宇章, 鄒方圓, 魏智, 徐小龍, 張 誠(chéng) 申請(qǐng)人:中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所