[发明专利]一种联合概率数据关联的视频多目标快速跟踪方法

权利要求书

1.一种联合概率数据关联的视频多目标快速跟踪方法，其特征在于，包括以下步骤：

步骤1：根据当前帧图像的检测结果产生确认矩阵；

步骤2：采用简化的murty算法获得确认矩阵对应的联合事件及参数；

步骤3：计算k时刻所有量测的联合事件的条件概率；

步骤4：计算量测与目标t的关联概率用于评估量测与目标关联的可能性大小；为k时刻有效量测j和目标t的关联概率，为k时刻虚量测和目标t的关联概率；

步骤5：通过Kalman滤波器，得到目标的状态估计及协方差阵：根据步骤4计算的关联概率，分析目标的运动状态及与上一帧目标的关联情况，包括五种情况：正常、新出现、消失、遮挡、分离，并根据上述五种情况得到目标的状态估计值，即获得目标在当前帧x、y方向的位置和速度，完成视频多目标跟踪；协方差阵是目标的估计状态和真实状态的偏差，表征跟踪的精确性；

步骤5完成后返回到步骤1对下一帧图像进行跟踪；

所述步骤1的确认矩阵为Ω；表示当前帧有效量测与目标跟踪门间的关系，定义为：

Ω={ωjt}j=1,2,...,mt=0,1,2,...N;]]>

式中，t表示目标，j表示量测，表示目标t与量测j的关系；N表示跟踪目标的个数，m表示量测的个数，确认矩阵Ω的行表示当前帧量测，列表示跟踪目标，其中表示当前帧量测j落入跟踪目标t的跟踪门内；表示量测j没有落入目标t的跟踪门内，并令t＝0表示虚警；对应Ω第一列的所有元素为1，用于表示当前帧任一量测都有可能源于当前检测错误产生的虚警；

所述步骤2的具体步骤为：

包括如下步骤：

步骤a：根据确认矩阵，构建目标、量测的赋权二分图，得到待匹配矩阵；

步骤b：应用匈牙利算法求待匹配矩阵对应的赋权二分图中目标、量测的最优匹配，并得到匹配结果矩阵；

步骤c：如未在步骤a的待匹配矩阵中增加虚目标或虚量测，则转步骤d；如增加了，则在匹配结果矩阵中删去，得到确认矩阵的一个最优匹配关系，即获得确认矩阵的一个可行矩阵；进入下步骤d；

步骤d：将当前步骤a中求得的待匹配矩阵减去当前的匹配结果矩阵，得到新的需优化的待匹配矩阵；

重复执行步骤b到步骤d K次，得到对应于确认矩阵Ω的K个最优可行矩阵，即得到确认矩阵对应的联合事件；

再得到对应的联合事件θ_k，i中的参数：假量测数Φ(θ_k，i)、量测关联指示器τ_j(θ_k，i)及目标检测指示器δ_t(θ_k，i)；

量测关联指示器：其中t_j是联合事件θ_k，i对应的可行矩阵中与量测j关联的目标的取值，即τ_j(θ_k，i)表明量测j是否和一个真实目标关联；

目标检测指示器：其中N表示目标数；则δ_t(θ_k，i)表示在联合事件θ_k，i对应的可行矩阵中目标t是否被检测到；

假量测数Φ(θ_k，i)表示联合事件θ_k，i对应的可行矩阵中假量测的数目，根据量测关联指示器得到：

所述步骤3中，k时刻所有量测的联合事件的条件概率为：

P(θk,i|Zk)=Φ(θk,i)!cVΦ(θk,i)Πj=1mk(Λk,j)τj(θk,i)Πt=1n(PDt)δt(θk,i)(1-PDt)1-δt(θk,i);]]>

其中，c为归一化常数，V表示跟踪门体积，Λ_k，j表示滤波残差似然函数，表示目标t的检测概率；

检测概率为常数，

滤波残差似然函数为：

Λk,j=1(2π)w/2|Sktj|1/2exp[(zk,j-z^k|k-1tj)TSktj-1(zk,j-z^k|k-1tj)];]]>

其中代表目标t_j的预测位置：是Kalman滤波器中一步预测状态向量：是状态向量x在k-1时刻的估计值，与k时刻的状态向量估计值的计算相同，代表相应于目标t_j的残差协方差矩阵，z_k，j表示k时刻第j个量测，从处于k时刻的当前帧的检测结果中读取；残差协方差矩阵S_k定义为：各目标的残差协方差矩阵计算相同，即的计算与S_k相同；

P_k|k-1表示Kalman滤波器中根据k-1时刻的协方差阵预测得到k时刻的预测协方差阵：

P_k|k-1＝AP_k-1|k-1A^T+Q_k-1；初始值

其中矩阵Q_k-1表示k-1时刻的值，与k时刻的值计算相同，k时刻的值为：G_k也为k时刻的值，定义为：Q′为常数，取：

P_k-1|k-1是k-1时刻的状态估计协方差阵；

跟踪门体积V：其中β为常数，β＝9.5；

所述步骤4的计算公式如下：

βkj,t=P(θkj,t|Zk)=Σi=1nkP(θk,i|Zk)ω^jt(θk,i),j∈[1,mk]]]>

βk0,t=1-Σj=1mkβkj,t;]]>

n_k表示k时刻联合事件的个数，即可行矩阵的个数，m_k表示有效量测的个数；

所述步骤5的具体步骤为：

由步骤4中计算的关联概率得到k时刻目标t状态估计：

x^k|kt=Σj=0mkβkj,tx^k|k,jt=Σj=0mkβkj,t(Ax^k-1|k-1t+Kkt(zk-CAx^k-1|k-1t));]]>

为目标t在k时刻的Kalman滤波增益矩阵，表示目标t的一步预测协方差矩阵，各目标的预测协方差矩阵计算相同，即与前文中的P_k|k-1的计算相同；R是常数，取为：R＝[0.150 0.150]；表示目标t在上一帧的状态估计；初始值其中分别表示目标初始位置的x方向、y方向的值；

以下分别针对五种情况说明：

1)正常：无须修正；

2)新出现：新目标的初始状态估计为p_x、p_y分别表示当前帧检测结果中目标位置在x方向、y方向的值，所述的当前帧即k时刻对应帧；

3)消失：终止消失目标的跟踪；

4)遮挡：遮挡目标t₁、t₂状态估计值和修正为：

5)分离：表示一个目标分成2个或多个，无须修正状态估计值；

根据目标t的状态估计，计算状态估计协方差阵以进行下一帧跟踪：

Pk|kt=Pk|k-1t-(1-βk0,t)KktSkt(Kkt)T+Σj=0mkβkj,t[x^k|k,jt(x^k|k,jt)T-x^k|kt(x^k|kt)T];]]>

表示目标t的预测协方差阵，计算方法同前述的P_k|k-1的计算方法；式中分别为目标t在k时刻的Kalman滤波增益矩阵、残差协方差矩阵；

当没有任何量测源于目标t时，计算对于没有任何量测源于目标t的状态估计协方差阵为：

Pk|k,0t=Pk|k-1t.]]>