[发明专利]一种基于粒子滤波的视频多目标跟踪方法

说明书

本发明公开了一种基于粒子滤波的视频多目标跟踪方法，通过深度学习模型检测视频中的目标，利用基于粒子滤波器进行目标位置预测，再对目标进行轨迹匹配，从而实现非线性运动目标鲁棒跟踪的方法。本发明采用非线性及非高斯方式去估计问题，能够提升算法的性能；能有效排除复杂背景的干扰，实现相对简单、对条件约束较小、算法运行效率高。

技术领域

本发明涉及智能视频监控领域，具体是一种基于粒子滤波的视频多目标跟踪方法。

背景技术

随着目标检测和识别技术的发展，多目标跟踪得到了快速发展。目前领域研究方向主要以滤波技术为主，其思想为在一组给定的观测信息基础上实现对系统状态的实时估计和优化处理。

然而，当前MOT中的运动模型通常假设对象运动在短时间内是线性的，并且需要连续观察，因此这些现有方法对遮挡和非线性运动敏感，并且需要高帧率视频作为输入才能有好的跟踪效果。

近年来，国内外学术界、工业界提出了很多研究关键帧提取的方案。其中与本方案最接近的有：发明专利号为：201410079861.3，名称为：一种粒子滤波方法、装置及目标跟踪方法、装置，公开了一种粒子滤波方法、装置及目标跟踪方法、装置，提出了使用高斯-厄米特积分的粒子滤波方法，但这种方法没有使用基于深度学习的目标检测方法，没有使用轨迹匹配策略。发明专利号为：201711337098.X，名称为：一种基于深度学习的自适应粒子滤波目标跟踪方法，公开了一种基于深度学习的自适应粒子滤波目标跟踪方法，建立浅层深度学习网络模型，采用深度特征和颜色表观特征求解观测模型，计算每个粒子的权值参数，计算目标当前状态，实时更新观测模型，但这种方法使用SVM分类器在离线训练时识别前景和背景，不能得到准确的目标包络框，区分方法相较于高斯混合背景模型计算量更大，并且没有使用轨迹匹配策略。

综上所述，当前的技术方案都具有一定的局限性。相比于其他基于粒子滤波的目标跟踪方法，本方法能够解决现有目标跟踪中背景复杂、低帧率输入等问题，从而实现非线性运动目标鲁棒跟踪。

发明内容

针对现有技术中存在的问题，本发明的主要目的在于提供一种通过深度学习模型检测视频中的目标，利用基于粒子滤波器进行目标位置预测，再对目标进行轨迹匹配，从而实现非线性运动目标鲁棒跟踪的方法。

为实现上述目的，本发明提供一种基于粒子滤波的视频多目标跟踪方法，包括如下步骤：

步骤1：初始化图像帧编号k为0；初始化轨迹编号c为0；

步骤2：根据公式(1)定义目标状态向量；

其中，X_k,i表示第k帧中第i个目标的状态，(x_i,y_i)表示该目标的中心点坐标，w_i和h_i分别表示该目标的包络框的宽度和高度，表示目标在水平方向运动速度，表示目标在竖直方向运动速度；

根据公式(2)定义目标运动模型；

其中，ΔT表示采样周期，V_k,i表示多变量的高斯噪声；

根据公式(3)定义似然函数作为观测模型；

其中，p(Y_k,i|X_k,i)表示后验概率密度函数，Y_k,i表示第k帧中第i个目标观测状态，σ表示高斯分布方差，表示观测值，表示真实值，表示观测值与真实值之间的巴氏距离；

步骤3：按顺序获取监控的一帧并记为图像P，图像帧编号k＝k+1；