[发明专利]一种基于连续最小能量与表观模型的多目标关联跟踪方法

摘要

本发明公开了一种基于连续最小能量与表观模型的多目标关联跟踪方法，该方法首先在目标检测和初始轨迹提取基础上，利用在线判别表观模型和AdBoost方法实现目标的初步关联，得到零散、且不连续的跟踪轨迹；然后，利用匈牙利方法对初次关联得到的短小、可靠的跟踪片段进行二关联；二次关联虽然可以得到连续的跟踪轨迹，但是不适合长时间目标跟踪的过程；最后采用基于最小能量的智能探测方法来弥补二次关联的缺陷，得到最终的更加平滑、连续的跟踪轨迹。

主权项

一种基于连续最小能量与表观模型的多目标关联跟踪方法，其特征在于，所述方法包括如下步骤：步骤1：输入给定的训练视频图像数据，将检测对象的集合记为每帧中的检测对象表示为r_i=(x_i,y_i,s_i,t_i,a_i)；(x_i,y_i)表示目标i的位置坐标信息，s_i代表目标的大小，t_i为目标出现的帧序号，a_i目标i的颜色直方图；跟踪片段T_k表示为轨迹集合记为T={T_k}；T^L，T^M，T^H分别对应着一级、二级和高级关联跟踪结果；二级关联跟踪是一个迭代过程：每一轮都将上一轮的输出作为下一轮的输入，继续关联；步骤2：改进的在线学习表观模型方法，所述方法包括如下步骤：首先，输入训练样本集；然后，分别提取正负样本集，其中正样本集表示为：S⁺={x_i,+1}负样本集表示为：S‑={x_i,‑1},特征池表示为：F={h(x_i)}；接下来，初始化样本的权重值，包括：1)得到样本的初始权值${\mathrm{\ω}}_i=\frac{1}{\left|S^{+}\right|},\mathrm{if}{x}_i\∈S^{+}\mathrm{or}{\mathrm{\ω}}_i=\frac{1}{\left|S^{-}\right|},\mathrm{if}{x}_i\∈S^{-};$2)在t=1to T内循环计算在k=1,2,…,n内循环计算$r=\underset{i}{\mathrm{\Σ}}{\mathrm{\ω}}_i{y}_i{h}_k\left(x_i\right)v_k\left(x_i\right);$${\mathrm{\α}}_k=\frac{1}{2}\ln \frac{1+r}{1-r};$结束循环选择使$\underset{i}{\mathrm{\Σ}}{\mathrm{\ω}}_i\exp (-{\mathrm{\α}}_k{y}_i{h}_k\left(x_i\right)v_k\left(x_i\right))$最小的k^*同时更新α_t、h_t、v_t的值：${\mathrm{\α}}_t={\mathrm{\α}}_k^{*},h_t=h_k^{*},v_t=v_k^{*}$再然后，更新样本的权重值：ω_i＝ω_iexp(‑α_ky_ih_k(x_i)v_k(x_i));归一化样本的权重值ω_i.结束循环3)最后输出学习结果：步骤3：通过构建MAP方程，将初始关联得到的可靠跟踪轨迹继续关联；首先定义一个最优分配矩阵采用匈牙利方法都能得到关联矩阵C的最优匹配；对于任意包括：1)如果i=j≤n，则是一个虚警；2)如果i，j≤n并且i≠j，则将的首、尾相连；3)如果i=j+n，则将初始化为关联跟踪轨迹的头；4)如果i+n=j，则将初始化为关联跟踪轨迹的尾；最终，计算得到最优的关联L^*以及相对应的跟踪片段集合T^M；步骤4：采用智能探测外推法，将二次关联所得的跟踪片段进行再次关联；智能探测策略推演法包括目标增长与收缩策略、目标轨迹拆分与合并策略和轨迹删除与添加策略。