[发明专利]基于跟踪片段置信度和区分性外观学习的多目标跟踪方法

摘要

本发明涉及一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法，包括以下步骤：1)基于跟踪片段的置信度进行跟踪片段和检测结果的局部关联和跟踪片段之间的全局关联；2)提出区分性外观模块学习，在跟踪过程中更准确地区分不同物体。与现有技术相比，本发明具有跟踪效果良好、程序运行效率较高等优点。

主权项

1.一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法，其特征在于，包括以下步骤：1)基于跟踪片段的置信度进行跟踪片段和检测结果的局部关联和跟踪片段之间的全局关联；2)提出区分性外观模型学习，在跟踪过程中更准确地区分不同物体；所述的步骤1)具体为：首先在线读入图像及其检测信息，然后计算检测结果与已得到的跟踪片段的相似度，进行跟踪片段与检测结果的局部关联计算，接着计算所有跟踪片段之间的相似度，进行跟踪片段之间的全局关联计算；所述的跟踪片段的置信度conf(Ti)定义如下：L是Tⁱ的基数，即为跟踪片段的长度，w是目标i因为被其他目标遮挡或不可靠的检测结果而缺失的帧数，分别表示目标i的跟踪片段的结束帧和开始帧；是目标i的跟踪片段Tⁱ和目标i在第k帧的检测结果的相似度，vⁱ(k)＝1表示目标i在第k帧被检测到；上式中的是跟踪片段与其相关联的检测结果的相似度的平均值，较高的相似度能使置信度增加；使用L和w来计算，当跟踪片段较短或被遮挡时该项减少；β是跟检测质量有关的控制参数，当检测结果较准确时，β应设置为较大的数值；根据所述的跟踪片段的置信度定义，对在线多目标跟踪问题的的阐述如下：其中，表示具有高置信度和低置信度的跟踪片段的集合，T_1:t表示所有跟踪片段的集合；Z_1:t表示从第1帧到第t帧的所有检测结果的集合；在线多目标跟踪问题的求解分为两个阶段：具有高置信度的跟踪片段在局部与在线输入的检测结果相联系，同时具有低置信度的跟踪片段在全局与其他跟踪片段相联系；由于跟踪片段的取值范围是[0,1]，当置信度大于0.5时认为跟踪片段是具有高置信度的，否则认为是具有低置信度的间断的跟踪片段；所述的跟踪片段与检测结果的局部关联计算如下：在检测结果与跟踪片段关联时进行成对的关联度计算，当第t帧含有h个跟踪片段和n个检测结果时，分数矩阵Sh×n定义如下：其中，i、j表示对应的目标，表示具有高置信度的跟踪片段的集合T^i(hi)和检测结果的相似度，Z_t表示第t帧的所有检测结果的集合；然后，采用匈牙利算法来决定最优的跟踪片段和检测结果的组合，使得上述矩阵的总相似度最大；当一对跟踪片段和检测结果的关联代价小于一个阈值‑log(θ)时，将跟踪片段与检测结果相关联，并进行以下步骤：利用检测结果来更新跟踪片段的位置和速度，目标的大小也通过求最近几帧的平均值得到更新；更新跟踪片段的置信度；所述的跟踪片段之间的全局关联计算具体如下：假设分别存在h个置信度高的和l个置信度低的跟踪片段；考虑n个检测结果，Z_t是第t帧的所有检测结果的集合，Y_t是没有与跟踪片段相关联的检测结果的集合；考虑以下的事件：A:Ti(lo)与Tj(hi)相关联；B:Ti(lo)已终止；C:T^i(lo)与相关联；其中，Tj(hi),Ti(lo)分别表示关于目标j的具有高置信度和关于目标i的具有低置信度的跟踪片段的集合代价矩阵定义如下：其中，A＝[a_ij]代表事件A，a_ij＝‑log(Λ(T^i(lo),T^j(hi)))为关联代价；B＝diag[b₁,…,b_l]代表事件B，b_i＝‑log(1‑conf(T^i(lo)))为终止跟踪片段的代价，C＝[c_ij]代表事件C，为关联代价；当计算出代价矩阵后，采用匈牙利算法计算出最优的组合，使得全局关联代价最小，然后更新跟踪片段及其置信度；所述的步骤2)中的外观模型是指：在每一帧跟踪片段位置的周围收集N个不同位置和尺寸的图像斑块；对每个斑块即样本，创建特征fl；然后得到由特征f_l和跟踪片段的IDy_l组成的集合所述的外观的相似度计算如下：用{Ai,Si,Mi}来描述跟踪片段Ti，分别代表其外观、形状和运动模型；相似度可由以下公式定义：Λ(X,Y)＝ΛA(X,Y)Λs(X,Y)ΛM(X,Y)其中X，Y是跟踪片段或检测的结果，基于外观、形状和运动的相似度分数定义如下：在外观相似度中，f(X)和f(Y)由ILDA算法利用投影矩阵U计算得出；形状相似度由目标的高度h和宽度w计算得出；Λ^M(X,Y)是X的末尾与Y的开始位置的运动相似度；向前速度从X的开头到末尾求得，向后速度从Y的末尾到开头求得。