[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

说明书

技术领域

本发明涉及一种计算机视觉领域的多目标跟踪方法，特别涉及一种基于连续最小能量与表观模型学习的分层多目标关联跟踪方法。

背景技术

视频多目标跟踪是计算机视觉领域里的难点和重点。与单目标跟踪相比，多目标跟踪具有更广泛、更实际的应用性。在很多跟踪场景中，人们感兴趣的目标可能不止一个，对于视频中的目标进行的行为分析、视频理解及行为识别，需要考虑到多个目标之间的交互，因此实现多目标跟踪是非常必要的。

近年来，由于目标检测性能的提高，基于检测方法的跟踪技术已经越来越受欢迎。这些方法综合了目标的轮廓特征、位移特征、速度等特征，然后将这些元素综合成一个近似的模型，用来测量检测响应或是最佳关联结构微小轨迹间的相似性。尽管关联结构已经存在很多的方法，但是改进的轮廓模型方法却没有太多的研究，之前很多方法为了实现一致性测量，仅采用计算两个整体颜色直方图间的距离的方法。

尽管多目标跟踪在很多方面都得到了广泛的应用，但是要跟踪多个目标、同时鲁棒地维护数据关联仍然是一个巨大的挑战，尤其在目标相互遮挡的情况下。这是由于以下几个原因：

1)时空限制：随着时间的推移，感兴趣区域中的跟踪目标轨迹的数量会逐渐增大，且每一个离散目标都有一个轨迹，但是该目标是否属于同一个目标往往不明，需要进行进一步的判断。

2)目标之间相互约束：在相同目标的不同位置之间和不同的目标之间，存在若干外在条件导致的依存关系。如每个对象的线速度和角速度必须在物理上是合理的，任何两个物体之间的距离不能任意小。由于离散轨迹并不是相互独立的，跟踪目标之间的遮挡会导致目标轮廓的变化。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于解决目标检测对象之间的相互遮挡引起的误警问题，该方法将目标对象的检测信息在一个能量函数中，通过求解出最佳的能量值来找到整个跟踪序列的关联解决策略，而不是通过逐个对目标进行关联来实现目标的跟踪；该方法不仅使得跟踪轨迹更加连续、平滑，而且可以降低由于目标标签互换(IDs)带来的虚警。

本发明解决其技术问题所采取的技术方案是：本发明提出了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，该方法包括如下步骤：

方法流程：

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可以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。例如，第一轮输入T^L，关联集合其中l_k表示L_k中跟踪片段的数目。是与L_k相对应的跟踪轨迹，L={L_k}表示跟踪轨迹的关联集合。具体包括：

步骤1-1：在线判别表观模型（OLDAMs）的初步关联方法，该方法包括如下步骤：

在线判别表观模型（OLDAMs）涉及四个部分的内容：样本采集，特征提取，相似性测量和学习方法，该方法包括：

(1)训练样本采集

利用时空约束条件和双阈值策略，检测得到可靠的初始跟踪片段，并从这些跟踪片段中提取正、负训练样本。采用双阈值策略得到的初始轨迹，本发明假设如下：1）同一条跟踪片段的响应均可表示同一目标；2）在时间上重叠的两个不同轨迹的所有响应均属于不同的目标。

定义示例空间为其中是跟踪片段的检测响应集，样本集Β＝Β⁺∪Β^-

可以表示为：