[发明专利]一种基于KCF轨迹置信度的多目标跟踪方法

说明书

基于一种基于KCF轨迹置信度的多目标跟踪方法，包括：S100：建立KCF的滤波器，利用该滤波器计算当前帧中的检测响应与目标跟踪轨迹之间的外观相似度，形状相似度和运动相似度，作为数据关联的关联关系模型；S200：利用滤波器对检测响应进行校正；S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与检测响应未匹配的目标轨迹；S500：对经过校正的检测响应、高置信度轨迹、低置信度轨迹以及候选目标假设集中的候选样本根据关联关系模型执行相邻帧间的数据关联。

技术领域

本公开属于视频信息处理分析，计算机视觉领域，具体涉及一种基于KCF轨迹置信度的多目标跟踪方法。

背景技术

多目标跟踪(Multi-object tracking，MOT)是计算机视觉领域的研究重点，它在视频监控、交通安全、汽车辅助驾驶系统以及机器人导航定位等行业有着广泛的应用。

多目标跟踪的目的是识别视频监控场景中的相关对象，并在视频序列中估计它们的位置。目前，针对视频监控场景中的目标跟踪方法有很多，但是，由于遮挡、漏检、误检以及摄像机的抖动等原因，复杂场景中的多目标跟踪仍然是一个难题。

目前，主流的多目标跟踪方法主要遵循检测-跟踪的 (tracking-by-detection，TBD)框架，该框架将目标检测器提供的检测响应作为输入，通过视频序列不同帧之间的关联对检测响应进行连接，以获得最终的轨迹。因此，按照TBD的范式，MOT的整个过程可以分为两个模块：检测模块和跟踪模块。在基于TBD范式的多目标跟踪中，检测响应是由目标检测器预先提供的，而这些预先提供的检测响应存在误检、漏检的问题。此外，跟踪模块中的数据关联模型存在建模不准确，易产生跟踪错误的问题。因此，基于TBD范式的多目标跟踪算法普遍存在初始检测结果对跟踪性能有很大的影响及数据关联方法造成跟踪错误的问题。

然而，大多数现有的基于TBD范式的MOT方法主要关注跟踪模块，包括数据关联和模型优化。比如基于多假设的多目标跟踪 (Multi-Hypothesis Tracker，MHT)、基于联合概率数据关联的多目标跟踪(Joint Probabilistic Data Association，JPDA)、基于网络流框架的多目标跟踪以及基于学习的多目标跟踪方法。在这些多目标跟踪算法中，目标的外观、形状、位置信息通常被用来提高多目标跟踪的性能，增强跟踪模块的鲁棒性。但是，在这些方法中，很少有方法涉及对检测器引起的漏检、误检进行考虑并对其进行补偿的方法。因此，上述问题是基于TBD范式的MOT方法存在的一个主要缺点。

近年来，单目标跟踪方法(single object tracking，SOT)在外观模型学习方面取得了显著的成效。因此，将SOT跟踪方法应用到 MOT跟踪中有助于提升MOT的跟踪性能。许多跟踪方法遵循这一思想，直接将SOT引入到MOT中以期提高MOT的跟踪性能。但是，SOT在学习目标外观过程中所使用的样本是基于跟踪结果在线学习得到的，其包含大量噪声样本。其次，在视频监控场景中，多目标间的相互遮挡比较严重。此外，在将SOT引入到MOT的过程中，由于SOT需要将新出现的目标实时添加到MOT跟踪系统中，直接将SOT应用到MOT将造成计算成本随跟踪目标数量的增加而指数增加的问题。

发明内容

鉴于此，本公开提供了一种基于KCF轨迹置信度的多目标跟踪方法，包括如下步骤：

S100：建立基于KCF的滤波器，利用所述基于KCF的滤波器计算当前帧中的N个检测响应与M条目标跟踪轨迹之间的外观相似度，形状相似度和运动相似度，作为数据关联的关联关系模型，其中N，M 为大于1的整数；

S200：利用所述滤波器对所述N个检测响应进行校正；