[发明专利]基于SSD检测广义标签多伯努利视频多目标跟踪方法

说明书

本发明公开了一种基于SSD检测广义标签多伯努利视频多目标跟踪方法，属于计算机视觉、图像处理领域。所述方法通过利用一种无需离线学习且鲁棒性好的卷积特征表述目标外观，并采用广义标签多伯努利(GLMB)滤波实现视频多目标跟踪。考虑到多目标跟踪中，未知新生目标的不确定性导致目标跟踪结果不精确的问题，在GLMB滤波框架中引入SSD检测器对未知的新生目标进行初步识别，并采用一种权值求和的融合方法，将检测结果和跟踪结果进行融合得到最终的跟踪结果，并对目标模板进行自适应更新，不仅解决了滤波算法中跟踪偏移的问题，同时解决了检测技术中漏检、误检的问题，大大提高多目标跟踪状态的精度。

技术领域

本发明涉及基于SSD检测广义标签多伯努利视频多目标跟踪方法，属于计算机视觉、图像处理领域。

背景技术

视频目标跟踪可以定义为在初始帧给定跟踪目标的初始状态，并在后续视频帧中实时获得该目标的状态。但由于目标运动的多样性、受遮挡、光照变化、目标形变及复杂环境等影响，使得目标跟踪问题一直是计算机视觉领域的难点问题。相对于单目标跟踪，视频多目标跟踪还存在着目标紧邻或相互交叉运动，尤其是存在未知的新生目标和目标消失等问题，更加增大了跟踪的难度。

针对上述多目标跟踪问题，早期主要通过数据关联的方法实现量测与目标的匹配跟踪，如概率数据关联(Probability Data Association Filter，PDA)、最近邻算法(K-Nearest Neighbor，KNN)、联合概率数据关联(Joint Probability Data AssociationFiIter，JPDA)和多假设跟踪(Multiple Hypothesis Tracking)等。虽然上述数据关联方法能够完成对多目标的跟踪，但目标数目过多将大大增加算法的执行时间，而且当干扰杂波密集的时候，难以完成对多个目标的正确关联，导致跟踪失败。

近年来，随机有限集理论被应用到多目标跟踪问题中，并取得了一定的优势。该理论通过随机有限集的形式近似多目标联合概率密度分布和量测概率分布，然后通过多目标最优贝叶斯滤波模型，递推实现多目标跟踪，从而避免复杂的数据关联运算。基于该理论，Mahler提出了概率假设密度(Probability hypothesis density，PHD)和多伯努利滤波(Multi-Bernouli，MB)跟踪算法，随后在MB的算法基础上，学者提出了更加优化的广义标签多伯努利滤波算法(Generalizes label MB，GLMB)及标签多伯努利滤波算法(LMB)，但在实际过程中，并未给出如何建立索引空间，所以学者提出了GLMB特殊条件下的δ-GLMB滤波方法。GLMB算法相比MB算法在对目标状态估计精度和航迹标识方面具有较好的性能，并被推广应用到视频多目标跟踪领域，取得了一定的效果，但由于算法中缺少对新生目标的识别能力，且对复杂环境下的视频多目标跟踪性能下降，甚至出现目标被漏跟的问题，如目标被遮挡、复杂背景干扰、交叉运动等。针对该问题，本发明提出基于SSD检测广义标签多伯努利视频多目标跟踪方法。

发明内容

为了解决多目标跟踪中由于新生目标的不确定性及复杂环境干扰等导致目标跟踪结果不精确，甚至漏检、误检等问题，本发明提供了一种基于SSD检测(Single ShotMultiBox Detector，SSD)广义标签多伯努利视频多目标跟踪方法，所述方法包括：

步骤一：利用SSD检测技术检测当前帧的多目标状态，计算检测结果与存活目标的距离；

步骤二：通过最邻近算法匹配，选择未匹配到的检测目标作为新生目标，使用标签伯努利集的形式近似，并带入广义标签多伯努利滤波中迭代跟踪；

步骤三：在跟踪过程中，计算检测结果和滤波结果的距离置信度和与跟踪目标的相似程度，并通过权值求和的方式将检测结果与跟踪结果进行融合得到最终的目标跟踪结果。

可选的，所述方法包括：

S1：在初始时k＝0，初始化存在目标，提取目标卷积特征，并对其进行粒子采样，近似多目标后验概率密度；