[发明专利]一种利用视频分割与粒子滤波实现多目标跟踪方法

说明书

技术领域

本发明涉及控制技术领域，尤其涉及一种利用视频分割与粒子滤波实现多目标跟踪方法。

背景技术

多目标跟踪是指使用一个或多个传感器(雷达、声呐、视频摄像机)对多个被跟踪目标的运动状态进行量测和估计，并基于每个运动目标的概率分配估计值，使用目标轨迹的信息，实现对多个运动目标的跟踪。

多目标跟踪主要包括运动目标建模、跟踪滤波与预测算法、跟踪门的形成、数据关联、跟踪维持、跟踪起始及跟踪终结等几方面主要内容。

目标跟踪是以目标的运动模型为基础的。建立目标运动模型时，既要符合目标运动实际，又要便于数学处理，如果选取不准确，不但会带来误差，而且可能增加运算量。通常运动模型有CV模型、CA模型、Singer模型、Jerk模型、交互式IMM模型等；CV模型、CA模型是分别描述目标匀速运动与匀加速直线运动，Singer模型是描述目标零均值、一阶时间相关机动加速度运动，Jerk模型是描述目标加速度变化率服从零均值、平稳的一阶时间相关过程，交互式IMM模型是利用几种模型的混合，依据某一规则选取其中某一模型来描述目标的运动。

跟踪滤波与预测的目的是估计当前和未来时刻目标的运动状态。对于线性系统的滤波方法有自回归滤波、两点外推滤波、维纳滤波、加权最小二滤波、α-β与α-β-γ滤波，卡尔曼滤波和简化的卡尔曼滤波等；对于非线性系统方法有推广的卡尔曼滤波、二阶滤波、迭代滤波、粒子滤波、多假设滤波等。

跟踪门是跟踪空间中的一块子空间，中心位于被跟踪目标的预测状态，其大小由接收正确量测数据的概率来确定；跟踪门的形成是将观测数据分配给已建立的目标轨迹或新目标轨迹之中。常用跟踪门算法有矩形跟踪门算法、椭球形跟踪门算法、扇形跟踪门算法和基于多假设树最大似然函数的跟踪门算法。

数据关联过程是将候选目标与已知的目标轨迹相比较，并确定正确的观测与轨迹配对的过程。数据关联常用的算法有概率数据关联算法(probabilisticdata association，PDA)和联合概率数据关联算法(joint probabilistic dataassociation，JPDA)。

在目标跟踪理论中，根据跟踪目标所使用的传感器数目不同，目标跟踪可以分为单传感器单目标跟踪、单传感器多目标跟踪、多传感器单目标跟踪、多传感器多目标跟踪。本文主要是研究基于计算机视觉的多目标跟踪滤波与数据关联问题。

多目标跟踪技术广泛应用于弹道导弹防御、空中预警、空中多目标攻击、战场监视、城市安保、虚拟现实的人机交互等领域。同时，多目标跟踪技术是电磁、信息、随机数学、光学、声学等多学科交叉融合的结果，要想实现很好的多目标跟踪，其难度可想而知。随着传感器技术的日益完善和机器人技术发展要求，基于计算机视觉的多目标跟踪技术成为各国顶尖科研机构竞相追逐的难点与热点问题。

基于计算机视觉的多目标跟踪技术，首先需要解决的问题是从复杂环境中检测出目标。由于环境光线亮度变化与阴影产生，目标特征与环境特征相似程度高，目标之间相互遮挡以及轨迹交叉，很难准确检测出被跟踪的目标。其次是多个目标数据的关联推断和跟踪实时性要求，对多目标跟踪技术提出巨大的挑战。

发明内容

本发明的目的在于针对现有技术的不足，提供一种利用视频分割与粒子滤波实现多目标跟踪方法。

本发明的目的是通过以下技术方案来实现的：

一种利用视频分割与粒子滤波实现多目标跟踪方法，包括以下步骤：

(1)建立系统模型：

系统目标状态变化模型：

X_t＝F_t(X_t-1，V_t)

p(X_t|X_t-1)

其中，上式分别为系统的状态方程和系统的状态概率模型，X_t为t时刻系统状态；x_0:t为从初始状态到t时刻系统状态值；V_t为t时刻系统噪声。

系统目标状态的测量模型：

Y_t＝H_t(X_t-1，W_t)

p(Y_t|X_t)

其中，上式分别为目标的测量方程何目标的测量概率模型，Y_t为t时刻目标测量；y₀为从初始状态到t时刻目标测量值；W_t为t时刻目标测量噪声。