[发明专利]一种基于连续最小能量表观模型的多目标跟踪方法

说明书

技术领域

本发明涉及一种基于连续最小能量表观模型的多目标跟踪方法，属于计算机视觉技术领域。

背景技术

目标跟踪技术是计算机视觉与模式识别领域研究的一个热门课题，受到国内外学者的普遍关注，具有广泛的应用前景。目标跟踪的目的旨在获取跟踪目标的位置与数量信息，并利用跟踪目标当前的运动信息进行目标后续运动状态的预测，最终实现目标轨迹的跟踪和身份的认证。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越来越受欢迎。这些方法主要利用目标的轮廓、位移、速度等信息构建一个模型，用以测量检测响应或最佳关联结构微小轨迹间的相似性。

尽管多目标跟踪在很多方面都有着十分广泛地应用，但要同时鲁棒地(robustness)检测、跟踪多个目标，尤其在目标被外界物体遮挡、目标间相互遮挡、目标改变运动方向等情况下，仍是一个巨大地挑战。而本发明能够很好地解决上面的问题。

发明内容

本发明目的是解决了目标间由于运动方向改变、外界物体遮挡以及目标间相互遮挡引起的漏检、误检和标签互换问题；本发明首先利用目标的检测信息构建一个能量函数，然后通过对该能量函数求解最佳能量值的方法获取跟踪序列的关联策略，逐步实现微小轨迹拼接成更长、更连续的轨迹，进而达到最佳的跟踪结果。

本发明解决其技术问题所采取的技术方案是：本发明提出一种基于连续最小能量表观模型的多目标跟踪方法，该方法包括以下步骤：

步骤1：利用观测模型、表观模型、运动模型、互斥模型、轨迹维持模型及轨迹修正模型构建一个目标函数；

步骤2：利用梯度下降法对构建的目标函数求解，以得到各时刻跟踪目标的近似最小能量，及对应的多目标个数和状态；

步骤3：采用基于最小能量的智能探测方法，得到平滑、连续的跟踪轨迹。

首先定义一个全局最优能量函数并对其进行优化，然后采用梯度下降法对优化后的近似线性能量函数进行求解，得到该能量函数在整个视频序列中的最优解。该能量函数定义如下：

Ε(X)＝αΕ_det(X)+βΕ_app(X)+κΕ_exc

+γΕ_dyn(X)+λΕ_per(X)+μΕ_reg(X)

其中，α，β，κ，γ，λ，μ分别表示各能量函数的权重。E_det表示观察模型的能量；E_app表示表观模型的能量，旨在消除不同目标间的关联；E_exc、E_dyn及E_per分别表示互斥模型、动态模型、轨迹维持模型的能量，旨在优化跟踪轨迹结果；E_reg表示轨迹修正模型的能量，旨在一定程度上防止迭代过程中的过拟合。

在实际实验过程中，跟踪效果可通过各能量函数权重进行调节，如在跟踪过程中，可通过增加μ来降低误跟踪率。

目标函数旨在找到一个使能量函数E(X)取得最优跟踪轨迹的状态X^*:

X*=argminX∈RE(X)]]>

其中，E(X^*)表示搜索空间R的连续最小能量。该空间取值一般介于10³-10⁴之间，具体取值取决于视频图像序列的长度和目标数目的多少。

本发明所构造的能量函数为非凸函数，在全局跟踪过程中可能存在2个或者多个峰值，因此，本发明中引入一系列跳跃运动来改变当前状态X_curr的维数，以按照能量下降的方向迭代，获得最低的能量。能量按照下降方向通过移动新增一个跟踪轨迹的同时，通过关联使得已有轨迹变得更长。本发明采用梯度下降法对能量函数方程进行求解，以求得跟踪目标的近似最小能量。