[发明专利]一种半在线机置的多目标跟踪方法

说明书

一种半在线机置的多目标跟踪方法，根据行人或运动目标视频，得到行人或运动目标的检测框，在一段时间窗口内，根据检测框之间的位置变化信息，得到卡尔曼序列谱，根据卡尔曼序列谱找到一对卡尔曼头，通过外观模型、运动模型与尺寸变化模型的相似度，得到下一帧中要追踪的目标或运动物体的检测框，并使得该目标或运动物体处于该帧内的检查框中，否则表示该目标被跟丢；对相似度高于阈值的检测框，拼接到卡尔曼序列谱中，并更新卡尔曼序列谱中的运动模型和外观模型，追踪下一帧内的行人或运动物体目标。适用于任何轨迹拼接式的多目标跟踪算法，即不受限与多个目标如行人、运动物体等产生的不同轨迹的约束，可以有效提升跟踪精度，降低身份转换值。

技术领域

本发明涉及一种跟踪方法，具体涉及一种半在线机置的多目标跟踪方法。

背景技术

多目标追踪方法主要应用于摄像头所拍摄的视频序列中多个人或运动物体的轨迹追踪：在无人车驾驶场景中可以通过安装在无人车内的摄像头所拍摄到的路上行人或其它车辆目标，进行实时轨迹追踪并预测其运动轨迹，以便无人驾驶车辆能根据这些目标的运动实施有效的避让或自动驾驶决策；在多个跨摄像头监控场景中可以根据需求对摄像头中的多个行人进行追踪，通过不同的摄像头抓拍到的视频就可以监控多个行人目标的行走轨迹及定位；在摄像头拍摄的体育运动场景中，如篮球比赛中，通过多目标追踪方法，可以对摄像头拍摄的多个运动员的运行轨迹分别进行追踪，基于追踪的轨迹进行运动员场上动作、行为分析等。多目标跟踪方法还可以应用于军事场景中对敌方舰船、车辆等多个目标进行追踪。当前追踪方法众多，但为了高效追踪，对多目标追踪方法必须进行实时性、准确性等提示与优化。

MOT(多目标跟踪)主要可以分成在线MOT和离线MOT，两者的区别是：前者可以随实时帧数往后推移，能够及时的给出跟踪轨迹结果，总体来说，实时性相对后者较高，各精度相对低；后者必须等待整个视频序列完成前向计算，得到所有视频帧中的检测框等信息之后，才进行追踪，因此相对前者来说，难以满足实时性要求，但是由于较好的结合了全局信息的原因，精度一般较高。在线跟踪需要在每下一帧的检测操作完成后，立即完成实时轨迹跟踪。因此，在线跟踪算法在直观上具有更好的实时性能，但是不能有效利用视频的全局信息，因此可能导致精度降低；相反，离线跟踪是在检测完给定视频序列的所有帧之后跟踪轨迹。该模式可以很好地利用全局信息，跟踪结果相对准确，但不能满足实时性要求。在线跟踪、半在线跟踪、离线跟踪的时间感受野大小分别为当前帧、时间窗口内、全局，依次增加；其实时性则依次下降。

遮挡问题一直以来都是MOT里面的难点之一，虽然各种算法的迭代更新都十分的迅速，但是在遇到严重遮挡时，大部分算法性能依然难以保持鲁棒。不管是在线MOT还是离线MOT，亦或是使用深度学习方法构成的MOT，在遇到遮挡问题时，都做出了各种各样的方式去试图解决遮挡问题。但是本质上都是通过牺牲实时性。精度与准确性对实际跟踪应用的场景中非常重要，如，无人驾驶汽车中追踪算法实时性差会导致车辆判断滞后，导致误判或滞后的决策，引起不必要的交通事故；准确性差会导致多个目标追踪错乱，导致追踪失效，比如城市里多智能摄像头中应用多目标追踪算法在追踪犯罪嫌疑人时会导致追丢，或追踪的非嫌疑人，造成真实嫌疑人逃跑等。

发明内容

本发明的目的是提供一种基于半在线多目标跟踪方法。

为实现上述目的，本发明通过以下技术方案来实现：

一种半在线机置的多目标跟踪方法，根据行人或运动目标视频，通过YOLO-V3检测器，得到行人或运动目标的检测框，在一段时间窗口内，根据检测框之间的位置变化信息，得到卡尔曼序列谱，然后根据卡尔曼序列谱找到一对卡尔曼头，通过外观模型、运动模型与尺寸变化模型的相似度，得到下一帧中要追踪的目标或运动物体的检测框，并使得该目标或运动物体处于该帧内的检查框中，否则表示该目标被跟丢；对相似度高于阈值的检测框，拼接到卡尔曼序列谱中，并更新卡尔曼序列谱中的运动模型和外观模型，追踪下一帧内的行人或运动物体目标。

本发明进一步的改进在于，外观模型的相似度通过以下过程得到：