[发明专利]一种基于协同关联粒子滤波的多视频目标主动跟踪方法

说明书

技术领域

本发明属智能视频处理技术领域，涉及一种多视频目标主动跟踪方法，特别是涉及一种基于协同关联粒子滤波的多视频目标主动跟踪方法。

背景技术

传统的视频监控系统仅能在危害事件发生后，通过视频画面的回放来获取线索，这并不能从根本上减少危害事件的发生。智能视频监控系统则可以在危害事情发生之前发出预警，防患于未然。智能视频监控系统中，智能分析系统是最关键的组成部分，它目前有两种架构方式，即嵌入式视频分析和纯软件视频分析，无论是哪种架构，智能视频分析软件都必须完成包括目标检测、跟踪、分类及规则定义等所有功能。在智能视频监控软件中检测到目标后都必须对目标进行实时跟踪，以便实现接下来的分类、行为分析及规则定义等功能，由此可见对视频目标进行实时跟踪是非常重要的环节。

多目标跟踪问题的研究在军事及民用领域都具有重要意义，相比单目标跟踪问题，其面临的难题主要是：状态量测和多个目标之间的关联，以及每个运动目标的模型估计问题。经过半个世纪的发展，很多经典的多目标跟踪算法已提出，主要包括：最近邻滤波法、联合概率数据关联法、多假设跟踪滤波法以及基于随机集理论的多目标跟踪方法。但是，这些方法仅利用了在统计意义上与被跟踪目标的预测位置最近的量测作为候选目标测量，通过该候选测量更新航迹，但是这些方法在实际应用中往往会发生误跟踪和跟踪丢失等现象。其中一些则假定场景中目标数目不变，不符合实际情况。还有一些会随着目标数量的增加计算量急剧上升，限制了其在实际中的应用。虽然有算法将随机集理论与贝叶斯理论结合起来，为解决多目标跟踪问题提供了一个较完备的理论体系，但是很难获得解析形式的最优状态解。另外，虽然粒子滤波算法可以得到解析形式的最优状态解集，但是粒子滤波没有数据关联模块，目标的状态最终是由一个集合形式描述，具体哪个状态对应哪个目标是不清楚的，因此，单个目标的运动航迹无法得知。简单的粒子滤波和联合概率数据关联结合可以解决这个问题，但是，由于多目标间的交互运动和杂波干扰，状态估计中很难将目标观测与该目标状态关联，从而导致跟踪性能下降。另外，在常规的粒子滤波饿联合概率数据关联算法中都没有无法加入交互目标直接的遮挡对算法跟踪的影响。

发明内容

本发明的目的是提供一种多视频目标主动跟踪方法，特别是提供一种基于协同关联粒子滤波的多视频目标主动跟踪方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于协同关联粒子滤波的多视频目标主动跟踪方法，包括基于视觉注意主动发现新目标、建议分布建立、样本采集、协同关联权值计算、状态输出和重采样，应用视觉注意机制检测目标，以实现对突然进入场景的新目标的主动跟踪，以及建立新的建议分布时所需目标状态信息的检测；采用协同数据关联方法对目标航迹进行关联并计算粒子权值；具体依次包括以下步骤：

(1)视觉注意主动发现新目标：

k-1时刻(k≥1)，对视频图像用视觉注意机制算法计算场景中存在的目标，计算目标的显著图特征q_d；

建立协同关联矩阵O_k，所述的协同关联矩阵O_k表示两两目标间的遮挡关系，矩阵中的第i行第j列对应的元素记为O_i，j，表示目标i与j的遮挡关系；当两两目标间的欧氏距离小于目标宽度的一半时，O_i，j＝1(i≠j)，表示目标i遮挡了目标j；其它情况O_i，j＝0(i≠j)，表示两目标间没有发生遮挡；只要i＝j，那么O_i，j＝0；O_i，j与O_j，i不能同时为1，如果目标i的宽度大于j，则O_i，j＝1，反之，O_j，i＝1；

如果发现新目标，则

①建立如下采样建议分布

q_new(X_k|X_k-1，Z_1：k)＝αq_d(X_k|X_k-1，Z_1：k)+(1-α)p(X_k|X_k-1)；

其中，

q_new(X_k|X_k-1，Z_1：k)为新目标的建议分布；