分布式多目标跟踪的方法和系统的制作方法

文档序号:6465203
专利名称:分布式多目标跟踪的方法和系统的制作方法
技术领域
本发明一般地涉及多目标跟踪,更具体地涉及在监视系统中跟踪多 个目标的方法和系统。
背景技术
跟踪多个目标在例如视频观测、交通监测、人的活动分析、运动视 频分析等许多应用中至关重要。除了跟踪目标的位置,目标的其它特性 例如其速度、尺寸等也可以被跟踪。对目标轨迹的分析能预测目标未来 的路径,从而可采取适当的动作。例如,跟踪拥挤区域例如机场中的人 的活动至关重要,以便于可以探测到异常的活动并且可以防止任何可能 的-皮坏。
跟踪外观有特点的目标更容易,这是因为可以用多个独立的单目标 跟踪器跟踪它们。这种情况下,除了特定目标之外的所有目标由于它们 相异的外观而可以被视为背景。然而,却难以跟踪外观类似的多个目标, 例如拥挤空间中的人。多目标跟踪根本上不同于单目标跟踪并且需要复 杂的数据关联逻辑将所探测的测量划分到每一个体的数据源,并且建立 它们与所维持的跟踪器的对应。这意味着决定多目标跟踪算法的成功的 两个重要过程——跟踪器_测量关联以及跟踪器过滤,其本质上是两个 交织的性质。进一步地,除了与单目标跟踪关联的其它问题外,这种多 目标跟踪必须处理目标遮蔽(occlusion )。换句话说,即使目标被其 它物7本遮蔽或阻断,该目标也必须纟皮识别并3艮踪。
处理该问题的通常方法采取联合关联矢量的集中表示,随后通过穷 举例如联合概率数据关联(JPDA)滤波器,或者通过概率蒙特卡洛最优 化来估计该联合关联矢量。然而,在这些方法中,特别是当大量的轨迹和测量数据需要处理时,所涉及的计算复杂性是巨大的。还提出了基于 采样的方法来对联合似然函数建模,从而直接估计所有目标的组合的状 态。不需借助明确地计算数据关联,基于采样的方法展示了当存在复杂 运动时跟踪多个目标的能力。然而,由于联合状态表示的集中的本质, 这些方法的复杂性随着被跟踪目标数量的增加而指数上升。
鉴于上述讨论,需要一种提供降低的计算复杂性的方法来跟踪多个 目标。

发明内容
本发明的 一 个示例实施例提供了 一种在监视系统中使用变分期望
最大化(EM)算法的分布式跟踪多个目标的方法和系统。对于接收到的
每一个相继的帧,探测模块探测所接收的帧中的多个目标,并提供探测
结果到跟踪模块。跟踪模块包括多个跟踪器。每一个跟踪器在变分EM 算法的E步骤中计算其自身的运动状态变量。进一步地,每一个跟踪器 在变分EM算法的M步骤中计算其与多目标探测结果之一的数据关联变 量。分布式跟踪系统对该多个跟踪器的数据关联变量的值加以限制,从 而防止不合理的数据关联。基于所计算的运动状态变量以及数据关联变 量,每一个跟踪器跟踪其对应目标。
本发明的另 一个示例实施例提供了 一种能够计算其自身的运动状 态变量和数据关联变量的跟踪器。每一个跟踪器在变分EM算法的E步 骤中计算其自身的运动状态变量。进一步地,每一个跟踪器在变分EM 算法的M步骤中计算其数据关联变量,并提供有关其计算的数据关联变 量的信息到分布式跟踪系统中的其它跟踪器,该数据关联变量将跟踪器 与多个目标之一关联。基于所计算的运动状态变量和数据关联变量,每
一个跟踪器跟踪其对应的目标。进一步地,每一个跟踪器基于从其它跟 踪器接收的信息更新其自身的数据关联变量,并且即使当目标被物体或 另 一个目标部分地遮蔽时也能够跟踪目标。
这些和其它优点及特性将通过接下来的连同附图一起提供的有关 本发明优选实施例的详细描述而变得更加容易理解。


图1示出了本发明的实施例可以实施的环境。图2是示出根据本发明实施例的多目标跟踪系统的方框图。
图3示出了根据本发明实施例的多个跟踪器的两两数据关联限制。 图4是示出根据本发明不同实施例的跟踪器的方框图。 图5A、 5B和5C示出了根据本发明不同实施例的连续帧中跟踪器和 目标之间的关联。
图6是示出根据本发明一个实施例的多目标跟踪方法的流程图。 图7A和7B是示出根据本发明另一实施例的多目标跟踪方法的流程图。
具体实施例方式
本发明的不同实施例提供了 一种分布式跟踪多个目标的方法和系 统。用变分期望最大化(Variational Expectat ion Maximizat ion, EM) 算法来计算多个跟踪器的运动状态变量和数据关联变量。该多个跟踪器 基于所计算的运动状态变量和数据关联变量来跟踪它们的对应目标。
图1示出了本发明的实施例可以实施的环境100。环境100包括三 个目标102a、 102b和102c,以及显示器104。显示器104在其屏幕上 显示正^皮连续跟踪的目标。在例如机场等拥挤区域可以采用显示器104, 使得可以跟踪机场中的人的活动并且可以探测到异常活动。显示器104 上所显示的视频图像可以由人操作者监控和/或随后由人操作者审查。 该视频图像也可以由自动系统监控,从而节省人力并且提高探测率。尽 管图1示出了被跟踪并且显示在显示器上的仅三个目标,然而任何适当 数量的目标都可以一皮跟踪并显示在显示器上。进一步地,也可以采用多 个显示器来帮助多目标跟踪。
图2是示出根据本发明一个实施例的多目标跟踪系统200的方框 图。系统200包括输入才莫块202、帧204、 ^笨测和跟踪才莫块2 06、以及显 示器208。探测和跟踪模块206包括探测模块210和跟踪模块212。输 入模块202提供帧204到探测和跟踪模块206。探测和跟踪模块206使 用变分期望最大化算法来探测并跟踪出现在帧204中的多个目标。探测 和跟踪冲莫块2 06提供其输出到显示正,皮跟踪的多个目标的显示器208。
根据本发明的不同实施例,输入才莫块202可以是正常的CCTV^见频 源或任何其它—见频源。帧204包括需要^皮3艮踪的多个目标。因而,正寻皮 跟踪的目标作为帧204的序列被接收。帧204包含像素并且每一像素可以具有不同的特性,例如亮度、对比度、颜色等。显示器208可以是能 够显示正被跟踪的目标的任何屏幕。
探测模块210探测帧204中的目标。探测模块210可以通过本领域 熟知技术探测目标。跟踪才莫块212通过使用在探测到多个目标之后被初 始化的多个跟踪器来跟踪该多个目标。该多个跟踪器通过迭代地使用变 分EM算法跟踪该多个目标。特别地,对于所接收的每一帧,探测该多 个目标,并且每一个跟踪器预测下一帧的其对应目标的位置并且使用变 分EM算法来跟踪其对应目标。多个目标中的每一个可以在显示器208 上的矩形区域中示出。以下的段落中详细解释跟踪多个目标的确切过 程。
考虑在从输入模块202接收的当前帧,中,m,个测量由探测模块210 探测并且用^表示,其中Z一h^2"…'^J。每一测量涉及当前帧z中被
探测的一不同目标。在一完整的帧的集合上收集的测量数据用Z'描述, 其中Z' = g,;...,;}
根据本发明的不同实施例,M个跟踪器以分布式方式表示,并且每 一个跟踪器'具有两个要估计的未知变量{"''"^ J ,其中'代表跟踪器标 识符并且'"1,2,…,〃)。换句话说,每一个跟踪器'被认为与数据关联变 量a"以及运动状态变量气'关联,数据关联变量a"以及运动状态变量& 需要一皮确定以正确跟踪目标。""表示跟踪器'的数据关联变量并且可以
从离散集^'1,…'"^中取值。因而,跟踪器'可以将其自身与来自A的每一
个可能的测量、"'关联或者将其自身与任何测量都不关联,即气'二G。特 别地,a" = Q表示目标的漏检测或者目标从视野中消失。
类似地,^表示跟踪器'的运动状态变量。根据每一特定应用方案, 、可以描述目标的属性,例如目标位置、速度、尺寸等f。 M个跟踪器 的数据关联变量和运动状态变量表示为A = k"""'…' J , X'={Xi'''X2',''Xm'(}。
M个跟踪器中的每一个都分配有唯一标识(ID)。
本质上,多目标跟踪算法处理估计后验概率P(^"'I^的问题,由于 {",,^}的强交织本,性(heavily interleaved nature)其需要复杂i十算 能力。根据本发明的不同实施例,对于一个变量估计边缘后验概率 (marginal posteriori),而另 一变量浮皮看作隐藏在缺失的数据/>式 表示下。进一步地,通过迭代地重复变分EM算法来解决多个目标跟踪 问题。根据本发明的不同实施例,跟踪器的运动状态变量,即X,被认为是
缺失变量。这提供了在EM迭代的E步骤中关于;c,的概率分布的连续增加 的估计。接着,在M步骤中,计算数据关联变量^的点估计(最大后验 概率),其可以通过基于图的最优化技术,例如多重图切割(multi-way graph cut )算法和最大积置信传播(max-product bel ief propagat ion ) 算法来优化。尽管本发明已对于E步骤后的M步骤进行了说明,很显然 M步骤也可以在执行E步骤之前执行。这两个步骤执行的顺序不影响EM 算法的输出。
相应地,多目标跟踪问题被公式化为数据关联变量"f的最大后验概 率(MAP)估计问题,如下
。' 。' (1)
其中£")表示需要被最大化的原始目标函数。等式(1)也可以用
以下形式表示
a, = argmaxlog / p(a":rt|Z*)rfi*
。. & (2)
根据詹恩逊不等式(Jensen's inequality),将函数Q")引入等式 (2)中为
》argmax ( log )
o,争)人. Q")
a rg m ax £ (at' Q (i *))
。'々(i') (3)
其中仅当最优关联<被确定并且e(x') = p(<, x"z()时等式成立。使原
始目标函数最大化可以通过关于下限函数Aoi々(A))的两个未知属
性A和e(、)迭代地最大化下限函数A",Q(A))来实现。
原则上,尽管2")可以被定义为关于^的任何正确(valid)概率分 布,但是这种情况下2(^定义为
' (4)
其中每一 个因子0 "J近似未知的边缘概率lz')。
根据等式(3),下限函数f(ot,Q(^))的最大化可以表示为max S(aj,
=max / ( (it't) logp("t, + if(Q(;t、))
=max / logp(at, j^Z^)cLpt
+ F(Q(j;t)) + l0gHZ
其中是e(w的熵,p(zf lz")是 一 个被加的常量。对项
户"A'^ Z'—"应用链式法则(chain rule),
使用马尔可夫假定,数据关联变量的先验概率P"卜',z")可以简化
为p"i^z"^/^j;o , 并且似然模型可以被简化为
p(Z(卜"x"Z'-"二/^'l"^)。那么等式(5)中的下限函数的最大化可以表示 为
躯£(at,Q(:r,))= max H(Q(:r,))
厶. (7)
因而,为解决多目标跟踪问题,三个分布中的每一个,即预测概率 P(X(|Z'—"、数据关联变量的先验概率P"k^—"、以及似然模型
/^卜"x"f )需要被建, ,
运动预测,"(X'IZ'—'):可以看出等式(6)中的项P"^—"是跟踪器 的运动预测型并且可以被表示为
人." (8)
该联合运动后验概率P('Vl |Z,可以由其边缘分量P(X'、" I,^的乘积 适当地近似为
A/
,=1 (9)
假定来自帧卜i的跟踪器'的最优P函数^",")为跟踪器的运动后 -验概率P""'I^"的良好近似并且还采用独立的动态才莫型(dynamics
户(& ^)=n') po, z '-)
model),其中 '=i ,耳关合运动预测才莫型
可以简化为
<formula>formula see original document page 10</formula>
关联先验概率,P"k):关联先验概率P"I&)为关联变量 ",k('""'…'"Mj的先验概率并且结合图3来解释。
似然模型,似然模型P"—")为"'"条件下测量数据z(
的联合似然模型。进一步地,p(Z」x,)^fl/7(^卜,》。如果提供、因为从 每一个跟踪器^产生了哪个测量数据z。.,,是已知的,该联合似然模型可
以因式分解,即,
<formula>formula see original document page 10</formula> (11)
图3示出了根据本发明一个实施例的多个跟踪器的两两数据关联约 束。图3包括关联变量302a、 302b、 302c、 302d和302e,所有这些变 量逻辑地相互连接。以运动状态变量^为条件,P"k)是关联变量
",k^"'…'vj的先验概率并且可以被公式表示为全部连接的但是两
两分布的图表,如图所示。对应的概率才莫型可以表示为
<formula>formula see original document page 10</formula> 12)
上式中E表示其中引入关联约束的相邻跟踪器的组,并且 ^(","",,^)是",,,和%之间的两两约束。乙是分割函数(partition
function),其被引入以使P"I^成为合适的概率分布。在图3中,每
一圆表示跟踪器的关联变量,并且连接它们的边表示存在两两关联约 束。"^^2("}和"(","4^^5("}之间的连接边被加粗以说明这两个组中
的每一个中的跟踪器在空间上相互更接近。
根据本发明的一个实施例,假定P"k)独立于跟踪器的运动A。因
而,
<formula>formula see original document page 10</formula>" ,*, j,"、 i, otherwise (14)
a"和""都可以从离散测量集(G, ^…,W中选择值。
根据上述描述,可以看出运动预测P"ki)、关联先验概率P"h)、 以及似然模型p"I""s),都采取因式分解的或者分布的形式。进一步地, 等式(7)可以写成
{。'*,QV,)}
=arg max E v'(a"' > ~,') - l°g Z
' (15)
因而,由等式(15)所指明的对于问题的EM解包括求解两个迭代
步骤, 一个步骤是计算更好的e'"),另一个是找到更好的关联V。这两
个步骤,即E步骤和M步骤,由每一个跟踪器求解以跟踪其对应目标, 并且参考图4进一步详细解释。
图4示出了根据本发明各种实施例的跟踪器400的方框图。跟踪器 400包括E步骤执行才莫块402和M步骤执行才莫块404。 E步骤扭j亍才莫块 402和M步骤执行模块404分別计算跟踪器400的运动状态变量和数据 关联变量。E步骤执行模块402的输出作为输入提供到M步骤执行模块 404,反之亦然。因而,这两个才莫块在跟踪器400中执行变分EM算法。
特别地,E步骤执行;漠块402计算关于跟踪器的运动^的更好的
—0仏"》以最大化E(""e"))。进一步地,M步骤执行模块404找
到更好的关联"('={《''(("'',""}以最大化£(""2'"》。
在E步骤中,求取等式(15)中的目标关于Q"》的偏导数。进一 步地,应用每一Q"、')必须为正确概率分布的约束,即,
可以实施该约束,其给出每一跟踪器'的E步骤更新等式为
<formula>formula see original document page 11</formula>
(16)在此情况下,用来过滤、的测量数据^乂以关联变量""为条件, 该关联变量气'从后面的M步骤中估计。可以看到,上述E步骤更新由M 个独立的更新等式组成,其中每一等式用于一单个的跟踪器。如果假定
等式(10)中的联合运动预测模型^x'lZf-i)和等式(11)中的似然模型 p(Z^"^)本质上为高斯的,那么可以直接应用卡尔曼滤波器(Kalman
filter)计算等式(16)中的E步骤。
在M步骤中,在从E步骤给出已经更新的2'")的情况下,确定关联 变量",k""",…'V卩的更新的集合以增加目的(objective)。
。' 味E
i=1 ' (17)
以下两项;故定义
3i(Qi't) = exp( / Q:(ii,)logp(i:。",,tl:ri,t)tir"t)
(18)
它们分别是"', )和""的函数。等式(17)可以接着被写成
。' ;=1
值来自离散值集合,因而和都可以在M
步骤优化之前计算。等式(18 )中所包括的积分计算可以通过假定Q"、') 为高斯的而被解析地计算。进一步地,等式(19)可以通过例如多重图 切割算法、最大积置信传播算法等的算法来求解。最大积置信传播(BP) 算法及其变体以它们的分布式的和并行的计算范例而闻名,并且将分布 式计算给与M步骤。
才艮据本发明的一个实施例,为了即使当目标被部分地遮蔽也跟踪目 标,我们考虑目标的《部分分解。通过收集对应部分的训练数据训练f部 分探测器来探测该《个部分。让我们考虑这样的情况,其中目标被分成 三个部分,头肩、躯干和腿(《=3)。那么,跟踪器的数据关联变量由
〖个部分形成,即a',' = {"山'"'力,...,a''"},其中每一 个夕e《描述了将来 自对应的部分探测器的部分探测分配到跟踪器 > 的关联。该跟踪器的运
动状态变量是^。以&和数据关联变量""为条件,似然函数"^'"卜")可 以表示为<formula>formula see original document page 13</formula>
进一步地,关联先验概率P")可以表示为 1 k
<formula>formula see original document page 13</formula> 因而,在〖部分分解的情况下,可以进行《个图表优化以同时获得 最优的部分关联 <formula>formula see original document page 13</formula>
根据本发明的另一个实施例,跟踪器^可以用在3维(3D)空间中
并且每一个3D跟踪器的运动状态变量包含深度信息。例如,令、<^表 示跟踪器''比跟踪器)更接近于照相机的运动布£设并且令存在四个返回
的探测^ ={Z"""Z4J 。以x" < 为条件,根据探测是否被正面跟踪器'的
投影覆盖,该四个探测被分拆成《"z"'z"'z^和Z'2"、'卜在这种情况
下,除了共同的约束b,^J^,由于运动假设为^<、,所有具有 a" =4的配置是不能接受的。由于涉及的非线性而可以用粒子滤波器来
运行跟踪器。因而,变化的概率^'(x")将由加权粒子集合来表示,并且
先前所讨论的所有积分计算将用求和表示来替代。
E步骤则可以写为
<formula>formula see original document page 13</formula>其中Q(X")的更新要将每 一相邻跟踪器的& (X")考虑进去。 M步骤目的保持相同,然而,预计算Ka'""")的方式被修改为
(23)
其中需要关于成对跟踪器(X'"X")的运动求值的积分以预计算
图5A、 5B和5C示出了根据本发明的不同实施例连续的帧中的跟踪 器和目标之间的关联。图5A是应用到一帧的变分EM算法的输出并且包4舌与它们在帧中的对应目标一起的^艮踪器502a、 502b、 502c和502d。 跟踪器用方形表示,而每一目标用其中具有十字形的圆表示。如图5A 所示,每一跟踪器跟随一个目标。因而,跟踪器502a、 502b、 502c和 502d每一个关联于该帧中存在的不同目标。图5B示出了从视频监视照 相机接收到的下一帧。从图5B可以看出,每一个目标已从其先前的位 置移开。然而,每一个跟踪器仍维持与其对应目标的关联。图5C示出 将变分EM算法应用到图5B中所示帧的输出。如所示出的,跟踪器也离 开了它们的先前位置并且正跟随它们的对应目标。对于从视频监视照相 机接收的每 一 帧继续该过程。
图6是示出根据本发明不同实施例的多目标跟踪方法的流程图。在 步骤602,在视频帧中探测将^皮跟踪的多个目标。该多个目标的探测由 探测模块执行并且被提供到跟踪模块。跟踪模块包括多个跟踪器。
在步骤604,多个跟踪器中的每一个计算其运动状态变量。运动状 态可以指任何目标属性,例如目标位置、速度、尺寸等。运动状态变量 在变分期望最大化(EM)算法的E步骤中计算。
在步骤606,多个跟踪器中的每一个在变分EM算法的M步骤中计算 其数据关联变量。当计算其数据关联变量时,多个跟踪器中的每一个也 通知其它跟踪器关于其对数据关联变量的当前估计。其它跟踪器基于所 接收的信息更新它们的数据关联变量。
在步骤608,多个跟踪器中的每一个在变分EM算法的帮助下跟踪其
在给定帧中的对应目标。
图7A和7B是说明才艮据本发明另一个实施例的多目标跟踪方法的流 程图。在步骤702中,分配一组跟踪器跟踪在帧中探测到的多个目标。 在步骤704,接收下一帧。
在步骤706,确定在所接收的帧中是否有任何未关联的测量。换句 话说,检查是否有任何没有关联于任何跟踪器的目标。
在步骤7 08,如果在所接收的帧中存在未关联的测量,初始化新的 跟踪器作为临时跟踪器。然而,如果没有探测到未关联的测量,不初始 化新的跟踪器并且该过程在步骤714继续。
在步骤71Q,确定临时跟踪器的数据关联是否对于预定数量的帧正 确。在步骤712,如果数据关联被确定为正确,将临时跟踪器标记为建 立的跟踪器。然而,如果lt据关if关不正确,在步骤718终止临时跟踪器。在步骤714,对于每一个建立的跟踪器,确定对于选定数量的帧是 否存在与其对应目标的正确数据关联。如果存在正确的数据关联,过程
继续并且在步骤716继续跟踪目标。然而,如果正确的数据关联不存在, 在步骤718终止所建立的跟踪器。
这样,本发明提供了多目标跟踪的方法和系统。用变分期望最大化 (EM)算法计算多个跟踪器的运动状态变量和数据关联变量。该多个跟 踪器基于所计算的运动状态变量和数据关联变量来跟踪它们的对应目 标。运动状态变量和数据关联变量都以分布式的方式来计算,因而减少 了计算复杂性。
计算机科学领域的技术人员将可以容易地将如同所述地创作的软 件与适当的通用目的或特定目的计算机硬件例如微处理器结合,以构成 具体化本发明的实施例的计算机系统或计算机子系统。根据本发明实施 例的装置可以是一个或多个处理系统,所述一个或多个处理系统包括<旦 不限于中央处理单元(CPU)、存储器、储存设备、通信链路和设备、 服务器、1/0设备,或一个或多个处理系统的任何子组件,所述一个或 多个处理系统包括包含了本发明的实施例的软件、固件、硬件或它们的 任何子集或结合。
本发明 一个实施例的计算机程序产品可在计算才几系统上执行,用于 使计算机系统执行包括本发明的图像过滤方法的过滤图像的方法。计算 才几系统包括微处理器、输入设备、显示单元和到因特网或者例如以太网、 内联网的网络的接口。微处理器连接到通信总线。计算机还包括存储器。 存储器可以包括随机存取存储器(RAM)和只读存储器(ROM)。计算机 系统进一步包括储存设备。储存设备可以是硬盘驱动器或可移动存储驱 动器,例如软盘驱动器、光盘驱动器等。储存设备也可以是用于加载计 算机程序或其它指令到计算机系统的其它类似装置。计算机系统还包括 通信单元。通信单元允许计算机通过1/0接口连接到其它数据库以及因 特网。通信单元允许来自其它数据库的数据的传送和接收。通信单元可 以包括调制解调器、以太网卡、或能够使计算机系统连接到数据库和例 如LAN、 MAN、 WAN和因特网的网络的任何类似设备。计算机系统通过输 入设备4吏用户的输入便利,该输入设备可通过1/0接口接入系统。各种 模块也可以是硬件单元的形式。
计算机系统执行存储在一个或多个储存元件中的 一组指令以处理输入数据。该组指令可以是程序指令工具。储存元件也可以按需要保存 数据或其它信息。储存元件可以是信息源或存在于处理机器中的物理存 储元件的形式。
该组指令可以包括指示处理机器执行特定任务的各种的命令,所述 特定任务例如构成本发明的方法的实施例的步骤。该组指令可以是软件 程序的形式。进一步地,软件可以是独立程序的集合、更大程序的程序 模块、或程序模块的一部分的形式。软件还可以包括面向对象编程形式 的模块化编程。处理机器对输入数据的处理可以响应于用户命令、先前 处理的结果或另 一处理机器产生的请求。
尽管这里只示例说明和描述了本发明的特定特性,然而所属领域技 术人员可以作出4艮多修改和改变。因此,应当理解,所附权利要求书意 图是覆盖处于本发明的真实精神范围内的所有这种修改和改变。
尽管已经结合仅有限数量的实施例详细描述了本发明,但是应当容 易理解,本发明不限于这些所披露的实施例。而是,可以修改本发明以 包括到此为止所没有描述过、但是与本发明的精神和范围相应的任何数 量的变化、变更、替代或等价配置等。此外,尽管本发明的不同实施例 已经被描述,应当理解,本发明的多个方面可以只包括所描述实施例的 一些。相应地,本发明将不被视为由之前的描述限定,而是仅由所附权 利要求书的范围限定。元件列表100环境
102目标
104显示器
200分布式跟踪系统
202输入才莫块
204帧
206探测和跟踪才莫块
208显示器
210探测模块
212跟踪模块
302关联变量
400跟踪器
402E步骤执行模块
404M步骤执行模块
502跟踪器
602探测目标
604计算跟踪器的运动状态
606计算跟踪器的数据关联
608跟踪所:探测的目标
702分配一组跟踪器
704接收下一帧
706确定未关if关的测量
708初始化新的跟踪器
710检查对于M个连续帧的正确数据关联
712跟踪器被标记为建立的跟踪器
714检查对于N个连续帧的正确数据关联
716跟踪所:探测的目标
718终止跟踪器 。
权利要求
1. 一种在监视系统中使用变分期望最大化(EM)算法的多个目标(102)分布式跟踪的方法,该监视系统包括跟踪多个目标(102)的多个跟踪器(502),该方法包括估计(604)该多个跟踪器(502)中的每一个的运动状态变量,该估计在变分EM算法的E步骤中执行;根据基于图的离散优化算法估计(606)该多个跟踪器(502)中的每一个的数据关联变量(302),该估计在变分EM算法的M步骤中执行;以及基于该多个跟踪器(502)中的每一个的运动状态变量和数据关联变量(302)跟踪(608)该多个目标(102)。
2. 如权利要求l所述的方法,进一步包括初始化(708 )该多个跟 踪器(502 )以跟踪该多个目标(102),其中该多个跟踪器(502 )和 该多个目标(102)之间的关联基于一对一映射。
3. 如权利要求l所述的方法,其中在变分EM算法的E步骤中作为 概率分布函数估计该多个跟踪器(502 )中的每一个的运动状态变量。
4. 如权利要求l所述的方法,其中在变分EM算法的M步骤中作为 最大后验概率(MAP)估计来估计该多个跟踪器(502 )中的每一个的数 据关联变量(302)。
5. 如权利要求l所述的方法,其中变分EM算法的E步骤和M步骤 重复预定次数,以在预定范围之内收敛运动状态变量和数据关联变量(302 )的值。
6. —种分布式跟踪系统(200 ),用于在监视系统中使用变分期望 最大化(EM)算法的多个目标(102)的分布式跟踪,该系统包括跟踪模块(212 ),包括用于跟踪多个目标(1 02 )的多个跟踪器(5 02 ), 该多个跟踪器(502 )中的每一个与运动状态变量和数据关联变量(302 ) 关联;其中,该多个跟踪器(502 )中的每一个在变分EM算法的E步骤中 估计运动状态变量;以及其中,该多个跟踪器(502 )中的每一个根据基于图的离散优化式 子表示估计数据关联变量(302 ),该估计在变分EM算法的M步骤中执行。
7. 如权利要求6所述的分布式跟踪系统(200 ),其中跟踪^t块(212 ) 初始化该多个跟踪器(502 )以跟踪该多个目标(102),其中该多个跟 踪器(502 )和该多个目标(102)之间的关联基于一对一映射。
8. 如权利要求6所述的分布式跟踪系统(200 ),其中在变分EM 算法的E步骤中作为概率分布估计该多个跟踪器(502 )中的每一个的 运动状态变量。
9. 如权利要求6所述的分布式跟踪系统(200 ),其中在变分EM 算法的M步骤中作为最大后验概率(MAP )估计来估计该多个跟踪器(5 0 2 ) 中的每一个的数据关联变量(302 )。
10. 如权利要求6所述的分布式跟踪系统(200 ),其中变分EM算 法的E步骤和M步骤重复预定次数,以在预定范围之内收敛运动状态变 量和数据关联变量(302 )的值。
全文摘要
本发明公开了分布式多目标(102)跟踪的方法和系统(200)。在帧(204)中探测将由多个跟踪器(502)跟踪的多个目标(102)。在变分期望最大化算法的E步骤中计算该多个跟踪器(502)中的每一个的运动状态变量。进一步地,在该算法的M步骤中计算该多个跟踪器(502)中的每一个的数据关联变量(302)。根据运动状态变量和数据关联变量(302)跟踪该多个目标(102)。
文档编号G06T7/20GK101299276SQ200810125828
公开日2008年11月5日 申请日期2008年4月21日 优先权日2007年4月20日
发明者A·G·A·佩雷拉, J·里特谢尔, N·O·克拉恩斯特弗, P·H·土, 刘小明, 颋 喻 申请人:通用电气公司
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1