[发明专利]一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法有效

专利信息
申请号: 201910179594.X 申请日: 2019-03-11
公开(公告)号: CN109919981B 公开(公告)日: 2022-08-02
发明(设计)人: 韩光;高燕;杜花 申请(专利权)人: 南京邮电大学
主分类号: G06T7/277 分类号: G06T7/277;G06T7/246;G06T7/73;G06V10/44;G06V30/18;G06V20/52
代理公司: 南京正联知识产权代理有限公司 32243 代理人: 王素琴
地址: 210003 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 卡尔 滤波 辅助 特征 融合 多目标 跟踪 方法
【权利要求书】:

1.一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法,其特征在于:所述方法包括以下步骤:

步骤1,将长视频序列中,最大间隔为δb的任意两帧图像进行预处理;

步骤2,将预处理后的图像输入到Faster R-CNN多目标检测器中;

步骤3,首先判断Faster R-CNN多目标检测器输出的检测结果的遮挡情况,如果遮挡不严重,将预处理后的两帧图像和检测器所输出的检测框的质心坐标输入到预训练好的卷积神经网络中;如果遮挡严重,将检测器所输出的检测框的质心坐标输入到卡尔曼滤波器中,根据目标之前的运动状态来估计该目标在下一帧中的位置信息,得到估计的坐标信息即质心坐标预测值;

所述卷积神经网络是以ResNet为基础网络,ResNet层之后,通过使用更深层次的卷积层,将超过56×56的feature map的空间维度进行缩减;后使用扩展网络逐渐将featuremap缩减到3×3的尺寸,再将提取的feature map进行级联,得到表观特征矩阵;

步骤4,在目标遮挡不严重或未发生遮挡的情况下,利用深度卷积神经网络提取的表观特征矩阵进行相似度估计,得到表观相似度矩阵;在遮挡严重的情况下,利用获取的运动目标的质心坐标检测值和步骤3获取的质心坐标预测值进行指派,得到运动相似度矩阵;

步骤5,利用匈牙利算法,分别将表观相似度矩阵和运动相似度矩阵作为代价矩阵进行数据关联;

步骤6,根据目标遮挡机制,分别利用数据关联矩阵进行轨迹段匹配;

步骤7,利用当前帧完成匹配的检测框更新卡尔曼滤波器,并将当前帧的表观特征矩阵加入到表观特征矩阵集合中,更新表观特征矩阵集合;将未与轨迹段相匹配的检测框初始化一条新的轨迹,设为暂时轨迹段;若连续10帧都能检测到,则将此轨迹段设置为永久轨迹段;将未与检测框相匹配的轨迹段设为暂时状态,继续进行预测,并与下一帧检测结果进行数据关联,并将此轨迹段保留δw帧,若该目标连续δw帧未被关联,则将该未被关联的预测结果对应的目标的轨迹删除。

2.根据权利要求1所述的基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法,其特征在于:步骤1中前期数据准备和预处理方法包括:先对图像帧中的每一个像素值进行成比例缩放,转换成HSV格式,并对图片的饱和度进行缩放,转换成RGB格式,再对图片的尺寸进行放大,裁剪;之后将帧的大小统一固定,最后将帧图像对进行水平翻转。

3.根据权利要求1所述的基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法,其特征在于:步骤2中将预处理后的图像输入到FasterR-CNN多目标检测器中,得到帧图像中的所有目标;并假设每帧图片中最多有Nm个目标,非真实的目标的特征向量为0向量。

4.根据权利要求1所述的基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法,其特征在于:步骤3中首先采用遮挡判断机制判断目标遮挡情况,再根据目标遮挡的严重程度分别将检测到的目标输入到不同的网络中;如果目标遮挡不严重或未发生遮挡,则提取物体表观特征,并对提取到的物体的特征进行建模;如果目标发生严重遮挡,初始化卡尔曼滤波器参数,利用卡尔曼滤波器进行多目标跟踪,预测出运动目标在下一帧的质心坐标。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京邮电大学,未经南京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910179594.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top