[发明专利]基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质

权利要求书

1.一种基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，包括以下步骤：

获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段；

为每一条跟踪片段计算其置信度，其中，跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度；

根据置信度的大小，将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分，并以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理，为低可靠度跟踪片段进行全局数据关联处理，其中，全局数据关联处理结合卷积神经网络实现；

所述以当前视频帧的检测响应为关联对象，为低可靠度跟踪片段进行全局数据关联处理的步骤中包括：

对低可靠度跟踪片段进行遮挡漂移处理；其中：

对低可靠度跟踪片段进行遮挡处理包括：

将被遮挡的目标的背景框分成多个小块，每个小块赋予不同的权重，在计算表观相似度时，除了计算整体的表观相似度以外，同时计算对应小块的相似度，然后综合判定两个目标整体的相似度；

对低可靠度跟踪片段进行漂移处理包括：

将跟踪片段和相对较远距离的目标检测响应进行连接；

将目标的背景框分为六块，当出现遮挡时，第一块为背景框本身，后面的五块每一块都只包含了整个目标背景框的一部分，分别是背景框的中间上下左右五部分；

在分块计算两个目标的相似度的时候，采用一种加权环形颜色直方图的欧式距离来度量，则A和B的相似度定义如公式(1-7)所示，

式中A_k——目标A的第k个小块；

B_k——目标B的第k个小块；

d(A_k,B_k)——两个小块的加权环形颜色直方图的欧式距离；

w_k——每个小块的权值；

w_k具体定义如公式(1-8)所示；

式中——目标框中所有小块的相应的欧氏距离的方差，在计算表观相似度时，除了计算整体的表观相似度以外，同时计算对应小块的相似度，然后综合判定两个目标是否为同一个目标；

其中目标被其他目标或背景中的障碍物遮挡，当目标再次出现时，无法根据原有的运动模型预测出目标出现的位置，同时，目标出现的实际位置超出了在关联过程中设定的距离约束，即超出了原有的搜索范围，关联过程中的位置距离约束不再是一个常量，而是改为一个变量，用来表示，其定义如公式(1-6)所示，

相对于局部数据关联过程，在处理遮挡时允许有效数据关联的范围相对较大，的大小取决于跟踪目标的宽度和跟踪片段置信度的大小，置信度越低，的值越大，即跟踪片段和相对较远距离的目标检测响应进行连接，因为置信度越低说明跟踪发生了漂移，运动轨迹变化大，因此应扩大数据关联的范围。

2.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述方法还包括：

在完成数据关联处理之后，更新跟踪目标的跟踪状态；

更新每一个跟踪片段的置信度，进入下一帧的处理，一直到视频结束。

3.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段的步骤之前，所述方法还包括：

定义跟踪片段置信度的计算方式，所述跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度，其中，跟踪片置信度的大小考虑因素包括：可观测度、遮挡程度、段内相似度。

4.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理的步骤包括：

将高可靠度跟踪片段同当前视频帧的检测响应相连接，在连接过程中，计算当前所有的跟踪片段和该帧内所有的检测响应之间的相似度，所述跟踪片段和该帧内所有的检测响应之间的相似度，以跟踪片段和检测响应之间的亲和度通过矩阵方式表征，连接亲和度大于预设阈值的跟踪片段和检测响应对。