[发明专利]一种基于连续最小能量与表观模型的多目标关联跟踪方法

权利要求书

1.一种基于连续最小能量与表观模型的多目标关联跟踪方法，其特征在于，所述方法包括如下步骤：

步骤1：输入给定的训练视频图像数据，将检测对象的集合记为每帧中的检测对象表示为r_i=(x_i,y_i,s_i,t_i,a_i)；(x_i,y_i)表示目标i的位置坐标信息，s_i代表目标的大小，t_i为目标出现的帧序号，a_i目标i的颜色直方图；跟踪片段T_k表示为轨迹集合记为T={T_k}；T^L，T^M，T^H分别对应着一级、二级和高级关联跟踪结果；二级关联跟踪是一个迭代过程：每一轮都将上一轮的输出作为下一轮的输入，继续关联；

步骤2：改进的在线学习表观模型方法，所述方法包括如下步骤：

首先，输入训练样本集；

然后，分别提取正负样本集，其中正样本集表示为：S⁺={x_i,+1}负样本集表示为：S-={x_i,-1},特征池表示为：F={h(x_i)}；

接下来，初始化样本的权重值，包括：

1)得到样本的初始权值ωi=1|S+|,ifxi∈S+orωi=1|S-|,ifxi∈S-;]]>

2)在t=1to T内循环计算

在k=1,2,…,n内循环计算

r=Σiωiyihk(xi)vk(xi);]]>

αk=12ln1+r1-r;]]>

结束循环

选择使Σiωiexp(-αkyihk(xi)vk(xi))]]>最小的k^*

同时更新α_t、h_t、v_t的值：αt=αk*,ht=hk*,vt=vk*]]>

再然后，更新样本的权重值：ω_i＝ω_iexp(-α_ky_ih_k(x_i)v_k(x_i));

归一化样本的权重值ω_i.

结束循环

3)最后输出学习结果：

步骤3：通过构建MAP方程，将初始关联得到的可靠跟踪轨迹继续关联；

首先定义一个最优分配矩阵采用匈牙利方法都能得到关联矩阵C的最优匹配；对于任意包括：

1)如果i=j≤n，则是一个虚警；

2)如果i，j≤n并且i≠j，则将的首、尾相连；

3)如果i=j+n，则将初始化为关联跟踪轨迹的头；

4)如果i+n=j，则将初始化为关联跟踪轨迹的尾；

最终，计算得到最优的关联L^*以及相对应的跟踪片段集合T^M；

步骤4：采用智能探测外推法，将二次关联所得的跟踪片段进行再次关联；

智能探测策略推演法包括目标增长与收缩策略、目标轨迹拆分与合并策略和轨迹删除与添加策略。