本发明属于图像处理与计算机视觉领域，具体涉及一种迭代更新轨迹模型的多目标跟踪方法。
背景技术：
多目标跟踪是指对视频序列中的多个感兴趣目标，维持各个目标的身份，并推理目标的位置、速度等运动信息。多目标跟踪是计算机视觉领域的一个重要研究课题，在智能视频监控、机器人学、行为分析等诸多领域具有重要的应用价值。和单目标跟踪任务相比，多目标跟踪存在更多挑战性的难点。首先，目标的数目未知，而且随着目标进出场景目标的数目会发生变化。其次，目标经常被前景物体或其他目标部分遮挡甚至完全遮挡，导致算法跟踪失败或造成目标间的身份交换。最后，当场景中同时存在相似外观的目标，尤其是他们相互靠近发生遮挡时，很难区分开各个目标。随着目标检测技术的进步，最近的多目标跟踪方法主要运用基于检测的跟踪方法，即应用一个预先训练好的目标检测器，在视频序列每幅图像上进行目标检测，跟踪算法主要是对时间序列上的检测响应进行数据连接，将属于同一个目标的检测响应连接成一条轨迹。如在公开号为CN101339608A的中国专利公开了“一种基于检测的目标跟踪方法及系统”，该专利建立跟踪目标队列，并依据位置和尺度将当前帧检测响应与目标队列进行匹配，实现目标跟踪及状态更新，增强了跟踪的实时性。但在目标发生重合、分离或外观变化时，可靠性低，跟踪不稳定。
技术实现要素：
本发明的目的在于克服上述现有技术的缺点，提供了一种迭代更新轨迹模型的多目标跟踪方法，该跟踪方法可以高精度、可靠的对多个目标进行跟踪。为达到上述目的，本发明所述的迭代更新轨迹模型的多目标跟踪方法包括以下步骤：1)通过预先训练好的目标检测器对视频序列中的每幅图像执行目标检测，得目标检测响应，获取各目标检测响应的特征描述子，然后将视频序列平均分为N个时间窗；2)设目标轨迹模型包括响应目标在当前时间窗中各时刻的特征描述子，根据视频序列第一帧的目标检测响应得目标轨迹模型T={T1，...，TK}，其中，Tk为第K个响应目标的轨迹模型，K为第一帧中响应目标的数量，每个响应目标的轨迹模型均对应一个目标检测响应，然后根据目标轨迹模型估算出各响应目标在整个时间窗内的位置；3)设各时间窗内的每个目标检测响应为马尔科夫随机场中的一个观察，每个观察连接一个标记，建立马尔科夫随机场，然后通过目标轨迹模型更新马尔科夫随机场的概率函数及平滑概率函数，并得到每个目标检测响应属于各轨迹模型的边缘概率分布，当目标检测响应属于该轨迹模型的边缘概率大于预设阈值时，则将该目标检测响应的标记修改为相应响应目标的目标序列号；4)将目标序列号相同且来自相邻帧的目标检测响应连接起来，形成一个目标轨迹片段，然后将新得到的响应目标增加到目标轨迹模型中，并删除消失的响应目标对应的轨迹模型；5)然后重复步骤3)及步骤4)，得所有响应目标在整个视频序列中的目标轨迹片段，然后将同一目标序列号的目标轨迹片段连接起来，再经平滑及插值处理后得各响应目标的轨迹。步骤1)中各目标检测响应的特征描述子包括响应目标中心点坐标、速度、颜色直方图及大小。步骤3)的具体步骤为：设每个时间窗内的目标检测响应为马尔科夫随机场的一个观察yi，每个观察连接一个标记li，则最大化马尔科夫随机场的条件概率为：其中，Z为归一化因子，Y为随机场的观察集合，L为随机场的标记集合，T为轨迹模型，φ(li，yi)为单点概率函数，ψ(li，lj)为平滑概率函数；通过目标轨迹模型更新马尔科夫随机场的单点概率函数φ(li，yi)和平滑概率函数ψ(li，lj)，再利用信仰传播算法得到每个目标检测响应属于各响应目标的边缘概率分布，当目标检测响应属于该响应目标的边缘概率大于预设阈值a时，则将目标检测响应对应的标记修改为相应响应目标的目标序列号。本发明具有以下有益效果：本发明所述的迭代更新轨迹模型的多目标跟踪方法在获取多个目标的轨迹时，先通过预先训练好的目标检测器对视频序列中的每幅图像执行目标检测，然后将视频序列分为N个时间窗，并根据各时间窗中第一帧的目标检测响应得到目标轨迹模型，然后再通过迭代执行轨迹模型更新及最大化马尔科夫随机场条件概率，使目标轨迹模型变的更精确，从而得到精确的目标轨迹，同时在保持目标状态在短时间内维持不变，从而提高目标跟踪的鲁棒性。附图说明图1为本发明的流程示意图。具体实施方式下面结合附图对本发明做进一步详细描述：参考图1，本发明所述的迭代更新轨迹模型的多目标跟踪方法，包括以下步骤：1)通过预先训练好的目标检测器对视频序列中的每幅图像执行目标检测，得目标检测响应，获取各目标检测响应的特征描述子，然后将视频序列平均分为N个时间窗；2)设目标轨迹模型包括响应目标在当前时间窗中各时刻的特征描述子，根据视频序列第一帧的目标检测响应得目标轨迹模型T＝{T1，...，TK}，其中，Tk为第K个响应目标的轨迹模型，K为第一帧中响应目标的数量，每个响应目标的轨迹模型均对应一个目标检测响应，然后根据目标轨迹模型估算出各响应目标在整个时间窗内的位置；其中，轨迹模型Tk包含如下参数：表示目标轨迹模型预测当前时间窗在各个时刻响应目标所处的位置，表示响应目标的平均速度，表示响应目标的颜色直方图，表示响应目标的大小。3)设各时间窗内的每个目标检测响应为马尔科夫随机场中的一个观察，每个观察连接一个标记，建立马尔科夫随机场，然后通过目标轨迹模型更新马尔科夫随机场的概率函数及平滑概率函数，并得到每个目标检测响应属于各轨迹模型的边缘概率分布，当目标检测响应属于该轨迹模型的边缘概率大于预设阈值时，则将该目标检测响应的标记修改为相应响应目标的目标序列号；4)将目标序列号相同且来自相邻帧的目标检测响应连接起来，形成一个目标轨迹片段，然后将新得到的响应目标增加到目标轨迹模型中，并删除消失的响应目标对应的轨迹模型；5)然后重复步骤3)及步骤4)，得所有响应目标在整个视频序列中的目标轨迹片段，然后将同一目标序列号的目标轨迹片段连接起来，再经平滑及插值处理后得各响应目标的轨迹。步骤1)中各目标检测响应的特征描述子包括响应目标中心点坐标、速度、颜色直方图及大小。步骤3)的具体步骤为：设每个时间窗内的目标检测响应为马尔科夫随机场的一个观察yi，每个观察连接一个标记li，则最大化马尔科夫随机场的条件概率为：其中，Z为归一化因子，Y为随机场的观察集合，L为随机场的标记集合，T为轨迹模型，φ(li，yi)为单点概率函数，ψ(li，lj)为平滑概率函数；通过目标轨迹模型更新马尔科夫随机场的单点概率函数φ(li，yi)和平滑概率函数ψ(li，lj)，再利用信仰传播算法得到每个目标检测响应属于各响应目标的边缘概率分布，当目标检测响应属于该响应目标的边缘概率大于预设阈值a时，则将目标检测响应对应的标记修改为相应响应目标的目标序列号。其中，第k个目标的单点概率函数φ(li，yi)，定义为检测响应和第k个目标模型的相似度，相似度计算分为中心点坐标、速度、颜色直方图及大小。平滑概率函数ψ(li，lj)的求解针对邻域中的相邻节点，包括前后帧相邻节点和属于同一帧的相邻节点。对前后帧相邻节点，当检测响应属于同一目标状态的概率较大，反之较小；对同一帧的相邻节点，因为目标不可能在一幅图像中同时出现在两个地方，所以检测响应属于同一目标状态的概率较小，相反则较大。