基于跟踪点分布的视频目标运动趋势分析方法

摘要

本发明提供基于跟踪点分布的目标运动趋势分析方法。该方法中，用户选择视频中需要跟踪的目标，然后使用基于跟踪点分布的目标运动趋势分析方法对视频中的目标的运动趋势进行判定，经过跟踪点当前位置与历史位置分析，最终输出运动趋势线。本发明根据多个跟踪点的历史位置以及当前帧的位置，对目标运动的趋势进行预测。通过历史信息与当前帧信息的结合以及对离群点的分析与过滤，本发明能适应部分跟踪点丢失、跟错等异常情况。对视频中噪声鲁棒性较强，在具有噪声的情况下，也能输出较为准确的目标运动趋势线。

说明书

技术领域

本发明一般涉及计算机视觉领域，具体涉及基于跟踪点分布的视频目标运动趋势 分析方法。

背景技术

随着信息技术的发展，计算机已经能帮助人们对视频中的目标进行跟踪与分析, 这一技术出现以后，已经应用在公共安全、医学、航天等多个领域。视频中目标的运动趋势 的判定是轨迹分析的一个重要方向，也是人们常常需要用到的，目前的运动趋势分析虽然 能在视频噪声较少的情况下得到正确的运动趋势，然而对复杂环境下的视频的运动趋势分 析存在的需要目前难以解决的问题：(1)鲁棒性差：现有方法往往假设视频中目标跟踪结果 是准确的，但在噪声较多的视频中，难以保证跟踪结果完全准确，现有方法对运动趋势的判 定受到跟踪结果误差的影响；(2)输出运动趋势不稳定：现有方法在视频的开始即对目标的 运动趋势进行判定，若目标在原地抖动，则会出现趋势线大幅度无规律的摆动，对用户产生 较大干扰；

基于跟踪点分布的视频目标运动趋势分析方法除了可以克服现有技术存在的缺 陷外，还具有跟踪信息利用率高、对目标运动速度变化程度不敏感等特点。该技术将在医学 影像分析，如穿刺辅助，客流分析、公共安全及其它领域中显示出其良好的应用前景。

发明内容

本发明针对现有视频运动目标趋势判定技术的不足，提供了基于跟踪点分布的视 频目标运动趋势分析方法。本发明的目的在于使用计算机视觉技术解决在噪声较多的视频 中目标运动趋势的准确判定问题，克服现有的运动趋势分析技术的缺陷，提供一个可靠的、 实时的目标运动趋势分析方案，具体技术方案如下。

基于跟踪点分布的视频目标运动趋势分析方法，包括以下步骤：

(a)从本地磁盘读入一个视频文件；

(b)用户在视频中选择需要跟踪并判定运动趋势的目标；

(c)对步骤(b)中选择的目标进行特征点跟踪；

(d)根据步骤(c)中得到的多个特征点的位置，对特征点的当前位置分布进行分 析；

(e)计算步骤(c)中得到的多个特征点的位置，对特征点的历史位置分布进行分 析；

(f)根据步骤(d)、(e)的结果，更新趋势线；

(g)在视频中绘制趋势线。

上述基于跟踪点分布的视频目标运动趋势分析方法中，步骤(c)使用Kanade- Lucas-Tomasi方法对用户选择的目标进行特征点提取与点的跟踪。

上述基于跟踪点分布的视频目标运动趋势分析方法中，步骤(d)包括以下步骤：

(d-1)根据步骤(c)得到的跟踪目标的多个特征点的位置，计算两两特征点之间的 欧氏距离；

(d-2)计算步骤(d-1)中欧氏距离的最大值；

(d-3)若步骤(d-2)得到的最大值小于最大形变阈值，则当前帧目标特征点分布信 息不足，当前帧跟踪点分析不输出趋势线，步骤(d)结束；若步骤(d-2)得到的最大值大于或 等于最大形变阈值，则进行步骤(d-4)-(d-7)，其中最大形变阈值t＝2·r，式中r为用户框 选目标矩形框对角线的长度；

(d-4)对当前帧的特征点x坐标与y坐标的极差，极差较大的坐标作为感兴趣坐标， 在感兴趣坐标方向，等间距分为N_s段，计算落入各段特征点坐标的均值，得到N_s个重采样坐 标，其中N_s取10；

(d-5)计算步骤(d-4)得到的重采样坐标中的与第个邻近的4个坐标构成的 直线与竖直方向的夹角的均值

(d-6)计算步骤(d-4)得到的各重采样坐标与第个重采样坐标的构成的直线 与竖直方向的夹角，并其计算与步骤(d-5)得到的的差的绝对值，若该值大于30°，则去除 该点；

(d-7)对(d-6)中未被去除的点，使用最小二乘法拟合趋势线。

上述基于跟踪点分布的视频目标运动趋势分析方法中，步骤(e)包括以下步骤：

(e-1)根据步骤(c)得到的跟踪目标的多个特征点的位置，计算特征点x坐标与y坐 标的均值，得到目标在当前帧的中心；

(e-2)将步骤(e-1)得到的中心位置的写入目标历史位置队列中，其中目标历史位 置队列长度为200帧，即只保存目标最近200帧的目标中心的位置；

(e-3)若目标历史位置队列中，队首与队尾点的欧氏距离小于最小移动阈值，则历 史信息不足以判定运动趋势，历史帧跟踪点分析不输出趋势线，步骤(e)结束；若目标历史 位置队列中，队首与队尾点的欧氏距离大于或等于最小移动阈值，则进行步骤(e-4)-(e- 7)，其中最小移动阈值t＝3·r，式中r为用户框选目标矩形框对角线的长度；

(e-4)计算目标历史位置队列中各点x坐标与y坐标的极差，极差较大的坐标作为 感兴趣坐标，在感兴趣坐标方向，等间距分为N_s段，计算落入各段特征点坐标的均值，得到N_s个重采样坐标；

(e-5)计算步骤(e-4)得到的重采样坐标中的与第个邻近的4个坐标构成的 直线与竖直方向的夹角的均值

(e-6)计算步骤(e-4)得到的各重采样坐标与第个重采样坐标的构成的直线 与竖直方向的夹角，并其计算与步骤(e-5)得到的的差的绝对值，若该值大于30°，则去除 该点；

(e-7)对(e-6)中未被去除的点，使用最小二乘法拟合趋势线。

上述基于跟踪点分布的视频目标运动趋势分析方法中，步骤(f)选择策略为：若趋 势线未被绘制，则优先选择历史帧跟踪点分析得到的趋势线，当历史帧跟踪点分析没有输 出趋势线时，选用当前帧跟踪点分析得到的趋势线，若两者均无输出则不输出趋势线；若趋 势线已经绘制，则仅在当前帧跟踪点分析有输出新的趋势线时，更新趋势线，若当前帧跟踪 点分析无输出时，则保持现有趋势线斜率，并使得趋势线过目标历史位置队列最后一个坐 标。

本发明对输入视频中的目标的运动轨迹进行分析并判定其运动趋势，本发明通过 特征点的当前与历史位置分布进行分析，实现了基于不同信息的运动趋势预测，提高了运 动趋势分析的鲁棒性；其中在当前位置分布分析时利用了部分跟踪错误的特征点位置信 息，提高容错能力；通过对目标运动状态的判断，避免了目标原地抖动时趋势线无规律摆动 的问题；通过对趋势线的选择与更新，提高趋势线的准确性，最后输出结果。

与现有技术相比，本发明具有如下优点和技术效果：

相对于现有运动趋势分析技术本发明克服了鲁棒性差、输出不稳定等缺点，并具 有跟踪信息利用率高、对目标运动速度变化程度不敏感等特点。本发明采用Kanade-Lucas- Tomasi方法对目标进行特征点的提取与跟踪，对特征点的当前与历史位置分布进行分析以 及趋势线的选择与更新，使得本发明能容忍部分特征点跟错跟丢的情况，对适应于具有一 定噪声的视频。

附图说明

图1为实施方式中基于跟踪点分布的视频目标运动趋势分析方法的流程图。

具体实施方式

以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此，需 指出的是，以下若有未特别详细说明之过程，均是本领域技术人员可参照现有技术实现的。

如图1，基于跟踪点分布的视频目标运动趋势分析方法的主要流程包括以下步骤：

(a)从本地磁盘读入一个视频文件；

(b)用户在视频中选择需要跟踪并判定运动趋势的目标；

(c)对步骤(b)中选择的目标进行特征点跟踪；

(d)根据步骤(c)中得到的多个特征点的位置，对特征点的当前位置分布进行分 析；

(e)计算步骤(c)中得到的多个特征点的位置，对特征点的历史位置分布进行分 析；

(f)根据步骤(d)、(e)的结果，更新趋势线；

(g)在视频中绘制趋势线。

上述步骤(c)使用Kanade-Lucas-Tomasi方法对用户选择的目标进行特征点提取 与点的跟踪。其中特征点使用最小特征值角点检测方法获取。

上述步骤(d)包括以下步骤：

(d-1)根据步骤(c)得到的跟踪目标的多个特征点的位置，计算两两特征点之间的 欧氏距离；

(d-2)计算步骤(d-1)中欧氏距离的最大值；

(d-3)若步骤(d-2)得到的最大值小于最大形变阈值，则当前帧目标特征点分布信 息不足，当前帧跟踪点分析不输出趋势线，步骤(d)结束；若步骤(d-2)得到的最大值大于或 等于最大形变阈值，则进行步骤(d-4)-(d-7)，其中最大形变阈值t＝2·r，式中r为步骤(b) 中用户框选目标矩形框对角线的长度；

(d-4)计算当前帧的特征点x坐标与y坐标的极差，极差较大的坐标作为感兴趣坐 标，在感兴趣坐标方向，等间距分为N_s段，计算落入各段特征点坐标的均值，得到N_s个重采样 坐标，其中N_s取10；

(d-5)计算步骤(d-4)得到的重采样坐标中的与第个邻近的4个坐标构成的 直线与竖直方向的夹角的均值

(d-6)计算步骤(d-4)得到的各重采样坐标与第个重采样坐标的构成的直线 与竖直方向的夹角，并其计算与步骤(d-5)得到的的差的绝对值，若该值大于30°，则去除 该点；

(d-7)对(d-6)中未被去除的点，使用最小二乘法拟合趋势线。

上述步骤(e)包括以下步骤：

(e-1)根据步骤(c)得到的跟踪目标的多个特征点的位置，计算特征点x坐标与y坐 标的均值，得到目标在当前帧的中心；

(e-2)将步骤(e-1)得到的中心位置的写入目标历史位置队列中，其中目标历史位 置队列长度为200帧，即只保存目标最近200帧的目标中心的位置，超过200帧的数据自动删 除；

(e-3)若目标历史位置队列中，队首与队尾点的欧氏距离小于最小移动阈值，则历 史信息不足以判定运动趋势，历史帧跟踪点分析不输出趋势线，步骤(e)结束；若目标历史 位置队列中，队首与队尾点的欧氏距离大于或等于最小移动阈值，则进行步骤(e-4)-(e- 7)，其中最小移动阈值t＝3·r，式中r为步骤(b)中用户框选目标矩形框对角线的长度；

(e-4)计算目标历史位置队列中各点x坐标与y坐标的极差，极差较大的坐标作为 感兴趣坐标，在感兴趣坐标方向，等间距分为N_s段，计算落入各段特征点坐标的均值，得到N_s个重采样坐标，其中N_s取10；

(e-5)计算步骤(e-4)得到的重采样坐标中的与第个邻近的4个坐标构成的 直线与竖直方向的夹角的均值其中两坐标构成直线与竖直方向夹角的计算方式为：θ＝ tan^-1((x1-x2)/(y1-y2))；

(e-6)计算步骤(e-4)得到的各重采样坐标与第个重采样坐标的构成的直线 与竖直方向的夹角，并其计算与步骤(e-5)得到的的差的绝对值，若该值大于30°，则去除 该点；

(e-7)对(e-6)中未被去除的点，使用最小二乘法拟合趋势线，其中最小二乘法拟 合直线(斜截式表示)计算方法为：$a=\bar{y}-b\bar{x},b=(\overline{xy}-\bar{x}·\bar{y})/(\overline{x^2}-$${\bar{x}}^2)$

其中步骤(f)选择策略为：若趋势线未被绘制，则优先选择历史帧跟踪点分析得到 的趋势线，当历史帧跟踪点分析没有输出趋势线时，选用当前帧跟踪点分析得到的趋势线， 若两者均无输出则不输出趋势线；若趋势线已经绘制，则仅在当前帧跟踪点分析有输出新 的趋势线时，更新趋势线，若当前帧跟踪点分析无输出时，则保持现有趋势线斜率，并使得 趋势线过目标历史位置队列最后一个坐标。

由上述实例可知，本发明中，用户只需选择视频中需要跟踪的目标，然后使用基于 跟踪点分布的目标运动趋势分析方法对视频中的目标的运动趋势进行判定，经过跟踪点当 前位置与历史位置分析，最终输出运动趋势线。本发明根据多个跟踪点的历史位置以及当 前帧的位置，对目标运动的趋势进行预测。通过历史信息与当前帧信息的结合以及对离群 点的分析与过滤，本发明能适应部分跟踪点丢失、跟错等异常情况。对视频中噪声鲁棒性较 强，在具有噪声的情况下，也能输出较为准确的目标运动趋势线。