[发明专利]一种多目标跟踪方法

说明书

本发明实施例公开一种基于概率图模型的粒子滤波的多目标跟踪方法。该多目标跟踪方法包括步骤初始化、状态转移、权值计算、概率图模型推理、状态估计和重采样。该多目标跟踪方法在基于粒子滤波的目标跟踪框架中，引入了概率图模型的数据关联理论，从而有效地解决多目标跟踪的不确定性；并且将多目标跟踪模型表示为一个无相图模型，利用图模型推理方法来解决多目标的跟踪问题，不仅简化了多目标跟踪中的数据关联，使得运算量减小，还能够处理众多目标之间的遮挡问题。

技术领域

本发明涉及图像处理和模式识别的技术领域，具体涉及一种基于概率图模型的粒子滤波的多目标跟踪方法。

背景技术

多目标跟踪抑制是目标跟踪领域的研究热点，特别是在复杂环境下对多个目标的跟踪。近年来，粒子滤波已经成为目标跟踪领域的主流跟踪方法。由于在多目标跟踪中，背景的建模、运动目标的检测、目标特征提取、匹配识别及多目标关联之间存在诸多不确定因素，所以粒子滤波的跟踪方法在进行多目标跟踪时，不能很好地处理各个目标之间的相互关系，导致无法实现目标的准确跟踪。

目前，为了解决粒子滤波的跟踪方法在多目标跟踪中的问题，常用的方法是将数据关联算法引入粒子滤波的跟踪方法中，具体有三类：最近邻算法、多假设跟踪算法和联合概率数据关联算法。但是，这三类数据关联算法的引入，大幅地增加了多目标跟踪方法的运算量，对运行该方法的硬件要求高且无法实现实时性。

因此，针对现有的多目标跟踪的方法所存在的准确跟踪和大运算量的问题，需要提供一种多目标跟踪方法以实现准确地跟踪且减小运算量。

发明内容

针对现有多目标跟踪的方法所存在的准确跟踪和大运算量的问题，本发明实施例提出一种基于概率图模型的粒子滤波的多目标跟踪方法。该多目标跟踪方法在基于粒子滤波的目标跟踪框架中，引入了概率图模型的数据关联理论，从而有效地解决多目标跟踪的不确定性；并且将多目标跟踪模型表示为一个无相图模型，利用图模型推理方法来解决多目标的跟踪问题，不仅简化了多目标跟踪中的数据关联，使得运算量减小，还能够处理众多目标之间的遮挡问题。

该基于概率图模型的粒子滤波的多目标跟踪方法的具体方案如下：一种多目标跟踪方法，包括步骤S1：在初始帧中，通过目标检测方法来获取目标模板和质心位置，并建立目标的初始状态参数和计算目标的颜色直方图；步骤S2：根据状态转移方程，对每个目标的粒子集进行状态转移，获取新的目标状态；步骤S3：根据观测方程，计算每个目标的粒子集的观测概率；步骤S4：根据相邻目标的状态，计算每个目标的最大联合后验概率，并更新每个目标的粒子集的权值，评估多目标的相邻信息；步骤S5：输出每个目标的位置，并估计每个目标的当前状态；步骤S6：对每个目标的粒子集进行重采样，并返回步骤S2。

优选地，所述目标的初始状态参数的表达式为：

其中，Q_i,t-1(x_i,t-1)为目标状态，x_i,t-1为每个目标，s_i,t-1为每个粒子，M为目标的总个数，N为估计每个目标状态所用的粒子数。

优选地，所述目标检测方法为采用自适应混合高斯模型对背景进行建模并通过背景差法进行目标检测。

优选地，所述状态转移方程的表达式为:x(t)＝f(x(t-1),u(t),w(t)),其中，x(t)为t时刻状态，u(t)为控制量，w(t)为状态噪声。

优选地，所述新的目标状态的表达式为：

优选地，所述观测方程的表达式为：y(t)＝h(x(t),e(t))，其中，x(t)为t时刻状态,e(t)为观测噪声。

优选地，所述每个目标的粒子集的观测概率的表达式为：