[发明专利]一种采用时间动态表观模型的实时在线多目标跟踪方法

说明书

本发明涉及一种采用时间动态表观模型的实时在线多目标跟踪方法。本发明将多目标跟踪过程中每个目标的表观信息看作是一个时间有序的表观序列，通过考虑目标表观信息在跟踪过程中随时间变化的规律，建立有强判别力的表观模型来表达表观序列的时间动态变化特性；同时通过多个隐状态的观测模型建模目标表观在特征空间中的结构多样性，为目标与检测结果之间的数据关联提供精确的表观匹配信息；通过将检测结果逐帧地与目标进行关联完成实时在线多目标跟踪的任务，可实时准确的跟踪视频中的多个感兴趣目标。在保证跟踪性能的同时具有很高的计算效率，能够实际应用于各种实时系统。

技术领域

本发明涉及一种采用时间动态表观模型的实时在线多目标跟踪方法，用于实时在线定位视频中感兴趣的目标并实时恢复其运动轨迹，属于计算机视觉和视频监控技术领域。

背景技术

视觉多目标跟踪旨在从视频中定位、识别场景中的多个目标，并估计每个目标的运动轨迹。多目标跟踪是计算机视觉的许多高层任务的基础，如场景理解、事件检测、行为识别等。多目标跟踪也广泛应用于视频监控、人机交互、视觉导航等系统。

基于检测的多目标跟踪方法是视觉多目标跟踪的主流方法之一，其主要思路是针对特定类别的目标(如行人、车辆等)训练检测器，在视频的每一帧图像中获取目标检测结果，然后采用数据关联的方式将检测结果关联成完整的目标轨迹。其中的关键问题是，如何衡量目标与给定检测结果之间的匹配程度，以保证数据关联的正确性。由于存在目标近距离交互的可能，通过运动、形状等简单的线索很难准确地识别不同目标，因此如何利用丰富的表观信息构建具有判别力的表观模型是数据关联的核心问题。

已有的技术使用底层视觉特征(如颜色、边缘、纹理等)描述目标的表观信息，并根据表观特征在特征空间中的空间分布构建有判别力的表观模型。然而多目标跟踪的任务使得表观模型需要能够区分属于同一类别的多个目标，仅仅依靠表观特征的空间分布很容易造成混淆，限制了表观模型在实际中起的作用。本发明构建一种强判别能力的多目标跟踪表观模型，能有效处理复杂场景中多个表观相似的目标近距离交互造成的轨迹混淆问题。

发明内容

本发明设计了一种采用时间动态表观模型的实时在线多目标跟踪方法，用于实时在线跟踪视频中的多个感兴趣目标。本发明包括如下步骤：

步骤一：对每一帧视频图像使用离线训练好的目标检测器进行目标检测，获得包含目标位置和尺度信息的检测结果；

步骤二：对步骤一中获取的检测结果提取边缘特征，并使用离线训练好的属性检测器进行打分，将打分作为表示每个检测结果的中层语义特征；

中层特征通过离线训练好的一系列属性检测器对该特征进行评估，使用属性检测器的输出(打分)作为检测结果进行表示。属性检测器的输出表示了该检测结果具有某项属性的可能性，因此这种中层特征表示包含了丰富的弱语义信息，有助于后续时间动态表观模型的建立。

属性检测器的离线训练使用线性判别分析方法，通过聚类和选择两个过程进行；

步骤三：对每个已跟踪目标，使用在线建立的时间动态表观模型计算该目标与检测结果之间的匹配程度，进行数据关联；

步骤四：对已跟踪目标进行状态更新；若获得关联数据则使用卡尔曼滤波器(Kalman Filter)对目标状态进行更新，并将与之关联的检测结果加入该目标的轨迹中，同时通过增量学习更新对应的时间动态表观模型；若没有获得关联数据则使用卡尔曼滤波器对当前时刻的目标状态进行预测，将预测结果加入目标轨迹，此时不更新对应的时间动态表观模型；

若一个目标在长时间内持续没有获得关联数据，则认为该目标为从场景中消失，将其从已跟踪目标列表中删除。