[发明专利]一种基于序列蒙特卡罗场景拟合的多目标跟踪方法

说明书

技术领域

本发明涉及目标跟踪领域，尤其是涉及了一种基于序列蒙特卡罗场景拟合的多目标跟踪方法。

背景技术

计算机视觉目标跟踪技术是计算机视觉领域中的热点问题之一。所谓计算机视觉跟踪，是指对通过视频信号采集设备获得的连续的视频序列进行分析，按低级到高级的处理步骤，依次实现运动检测、运动目标的识别与分类，最后对运动目标的个体特征(速度、位置、质心、颜色直方图等)进行提取并矢量化，利用数学理论和数据关联算法对矢量化的特征进行计算分析，实现连续视频序列间的目标跟踪。现今，视觉跟踪技术已经成为智能化机器人和智能化武器的关键技术之一，并且在视觉导航、智能交通、视频压缩、三维重构、安全监控和医疗、农业、气象分析等方面有广阔应用，特别地，多目标同时跟踪研究也具有非常广泛的应用，主要包括交通流量控制、车辆异常行为监测等民用大场景领域和更复杂更高要求的战场环境。恶劣的战场环境要求视频监视系统具有很强的适应性并能够对快速变化的运动目标实施稳定可靠的跟踪。

目标跟踪需要在视频内提取出感兴趣的目标，但是在有些情况下，提取目标是有困难的，或是在提取感兴趣目标的同时将环境中的非跟踪目标也检测出来。当目标被遮挡、背景中光照变化以及树叶被风吹摆动时，通常会导致观测值偏离甚至错误，从而进一步造成视频目标跟踪的失败。另外，当多目标之间发生分离、合并与互相遮挡时，会造成目标关联错误或是跟踪失败。除此之外，运动目标发生形变，如人体姿态的改变、人面部表情的变化等，也会影响目标持续稳定跟踪。

本发明提出了一种基于似然函数场景拟合的新框架。首先在一般数据集上训练出区域卷积神经网络检测器，同时估计给定目标场景的视频序列其分布，然后经过预测步骤、更新步骤和采样步骤进行数据集中的场景拟合，最后做出目标预测，此外似然函数和策略调整都用于提高检测器的精度。本发明可以处理动态场景中多目标的跟踪定位，提供一个序列蒙特卡罗滤波器解决目标分布测算问题，同时提高了目标跟踪的准确性和实用性。

发明内容

针对解决在复杂环境中同时进行多个目标检测的问题，本发明的目的在于提供一种基于序列蒙特卡罗场景拟合的多目标跟踪方法，提出了一种基于似然函数场景拟合的新框架。

为解决上述问题，本发明提供一种基于序列蒙特卡罗场景拟合的多目标跟踪方法，其主要内容包括：

(一)区域检测器拟合；

(二)似然函数求解；

(三)策略调整。

其中，所述的区域检测器拟合，给定一个源数据集并且一个从该数据集训练好的场景区域神经网络检测器，再给定一个关于目标场景的视频序列，则可以从该源图像的检测器中使用概率学整合方法进行检测器的拟合，使之更加专门针对未列明标签的场景中进行目标检测，然后求解分布方程。

所述的概率学整合方法，进行概率学模型的整合去表示出目标的分布，具体地，用x_k表示一个隐藏随机向量，它与第k次迭代中关于数据集样本中标签跟特征的联合分布有关，此外用z_k表示一个隐藏测量向量，它与目标场景中被提取的信息(视觉短暂停留的信息)有关，则目标分布p(x_k|z_0:k)可由下式表示：

其中C是归一化因子：C＝1/p(z_k|z_0:k)；

接着，使用序列蒙特卡罗滤波器去估计p(x_k|z_k)的分布，具体地，假设样本数目为N，则有：

其中，公式(2)中的δ是狄拉克函数，如公式(3)所示：

其中，公式(2)中的是与第k次迭代中第n个样本有关的权重，

其中，所有的样本其权重总和应当为1，即：

至此，完成整合步骤。

所述的求解分布方程，包括预测步骤、更新步骤和采样步骤。

所述的预测步骤，使用察普曼--科尔莫格罗夫方程，求解公式(1)中的p(x_k-1|z_0:k-1)，具体为：

其中，公式(6)使用系统动态项p(x_k|x_k-1)去触发特定(已用区域检测器进行训练的，下同)数据集产生一个近似数据集，如公式(7)所示：

然后，从第k-1次迭代的特定数据集中提取出这个近似数据集，即：