一种基于轨迹关联的多目标跟踪方法
【技术领域】
[0001] 本发明涉及一种多目标跟踪方法，尤其涉及一种基于轨迹关联的多目标跟踪方 法，属于图像处理技术领域。
【背景技术】
[0002] 基于轨迹关联的多目标跟踪算法是国内外学者的研宄热点，其主要原理是在跟踪 目标的多个短小跟踪片段间建立关联，以获取跟踪目标连续、平滑的跟踪轨迹。多目标跟踪 算法的关键在于如何度量轨迹间的相似性。
[0003] 在复杂场景中，当具有相似表观的目标间存在交互行为时，很易导致错误的轨迹 关联。这就要求多目标跟踪算法不仅能准确跟踪新出现的目标，还能对原有的跟踪目标保 持连续性。此外，基于在线学习表观模型算法虽然能满足时性需求，但这种方法需要整个视 频序列的先验信息，且迭代过程加大了方法的时间复杂度；同时，由于跟踪目标运动的任意 性，导致运动轨迹的非线性。而本发明能够很好地解决上面的问题。
【发明内容】
[0004] 本发明目的在于解决了复杂场景中具有相似表观的目标间存在交互行为时，很易 导致错误的轨迹关联的问题，提出了一种基于轨迹关联的多目标跟踪方法，该方法是基于 场景自适应的局部轨迹生成方法。
[0005] 本发明解决其技术问题所采取的技术方案是：一种基于轨迹关联的多目标跟踪方 法，该方法包括如下步骤：
[0006] 步骤1 :基于场景自适应方法生成局部轨迹，实现检测响应与原有轨迹关联；
[0007] 步骤2 :基于增量线性判决的表观模型，实现全局轨迹关联；
[0008] 步骤3 :基于非线性运动模型，实现轨迹片段间空缺填补，以获取完整且平滑的跟 踪轨迹。
[0009] 进一步的，本发明局部轨迹生成的具体过程，包括：
[0010] 利用前景检测技术实现图像目标的检测；基于场景自适应计算检测响应与已有轨 迹间的关联性；判断检测响应是否成功关联某条轨迹；将成功关联的检测响应加入目标集 合中，同时将未关联的检测响应作为新目标加入目标集合中。
[0011] 进一步的，本发明局部轨迹关联的具体过程，包括：
[0012] 定义D = {di}为一系列检测响应，通过计算相似性得到目标的轨迹片段：
[0016] 上式中的Xl、y# X i、y2分别为不同目标在连续两帧中的位置，σ A 〇 y分别为 当前轨迹片段的方差。式（1)中的Asize(Cl1Id2)表示目标尺寸的相似性：
[0018] 上式中的81与82分别为目标的尺寸，σ s为当前所有轨迹片段面积的方差。式（I)
中的Aa_ (Cl11 d2)表示目标间的表观相似性：
[0020] 上式中的q、p分别表示不同目标灰度级的权重，N表示直方图的级数。
[0021] 本发明采用基于场景自适应的关联策略，将当前检测响应关联成局部轨迹：
[0024] 进一步的，本发明全局轨迹关联的具体过程，包括：
[0025] 计算轨迹间的相似性：
[0027] 进一步的，本发明基于运动模型，计算轨迹间的运动相似性，包括：
[0029] 上式中的Λ t表示第i条轨迹Ti的尾部与第j条轨迹T』的头部间的帧数；p和V 表示经卡尔曼滤波后目标轨迹的位置与速度信息。
[0030] 时域模型保证了两条轨迹凡与T j在时间上没有重叠：
[0032] 上式中的fi(e)表示第i轨迹T i的结束帧，f j(s)表示第j轨迹T」的起始帧。
[0033] 基于增量线性表观模型Λ，计算轨迹间的表观相似性：
[0035] 进一步的，本发明轨迹间空缺填补计算步骤如下：
[0036] 步骤1 :分析新生成的轨迹Ti* :如果该轨迹为一单独轨迹，则将其归入最终的轨 迹集合{TJ ;如果该轨迹包含两条以上的轨迹片段，则进入下一步。
[0037] 步骤2 :按时间先后顺序，排列轨迹Ti*对应的轨迹片段，并填补片段间的空缺：对 由于目标遮挡引起的轨迹片段，本发明采用线性运动模型进行填补；对由于运动状态突变 引起的轨迹片段，本发明采用非线性运动估计模型进行填补。
[0038] 步骤3 :重复以上步骤，遍历轨迹集合{1\*}中每一条轨迹，剔除未能成功关联的 轨迹片段，最终得到目标平滑而连续的轨迹。
【附图说明】
[0039] 图1为基于MFl-cl视频片段的跟踪结果示意图。
[0040] 图2为基于S2L1视频库的跟踪结果不意图。
[0041] 图3为基于本发明的目标跟踪结果示意图。
[0042] 图4为本发明的方法流程图。
【具体实施方式】
[0043] 下面结合说明书附图对本发明创造作进一步的详细说明。
[0044] 如图4所示，本发明的提供了一种基于轨迹关联的多目标跟踪方法，该方法包括： 首先，场景自适应的局部轨迹生成方法能自适应地选取合适特征表征目标，且通过特征融 合减少目标表征的二义性；其次，采用基于增量线性判决的表观模型可有效减少计算量，且 可有效解决目标在显著形变、表观改变及长时遮挡下的识别问题；同时，采用基于非线性运 动模型的轨迹填充策略，可有效解决不满足线性运动轨迹间的关联问题，以生成更为平滑、 连续的跟踪轨迹。
[0045] 步骤1 :基于场景自适应方法生成局部轨迹，实现检测响应与原有轨迹关联。
[0046] 鲁棒性的目标表示，是目标局部轨迹生成过程中的一个重要任务。为解决此类问 题，本发明提出了基于场景自适应的局部轨迹生成方法，即：依据分层的特征空间，自适应 地分阶关联局部轨迹。
[0047] 1、基于场景自适应的局部轨迹思路
[0048] 在多目标关联框架中，一个关键步骤是将当前帧的η个检测响应与m条轨迹进行 关联。假设D t: = W1, d2,…，dn}表示第t帧中的η个检测响应，T: = IT1, T2,…，Tj表示 m条轨迹，
表示与第j条轨迹L相关联的检测响应，表示t时刻 与轨迹L关联的检测响应。
[0049] 轨迹间的相似性常常是先计算检测响应与轨迹间基于某个特征的相似性，然后将 不同特征的相似性相乘以获得最终的关联性：
[0050] Piink (di, Tj) = Apos (di, Tj) Asz ((Ii, Tj) Aappr ((Ii, Tj). . . (11)
[0051] 上式中的这里A定义了检测响应di与轨迹Tj间的相似性，f(k)定义了目标响应 的特征。然而，基于众多特征的相似性关联计算，不能提高目标识别的准确性；相反，它易导 致算法的错误率叠加和时间复杂度的增大。为解决该问题，本发明提出基于场景自适应分 层空间的关联。
[0052] 2、场景自适应分层空间的关联
[0053] 首先建立一个特征空间F，用以描述检测响应与轨迹间的相似性：
[0055] 然后，依据特征空间F重构K层特征空间：利用鲁棒性的特征，构建特征空间的低 层；通过逐渐添加特征，构建特征空间的高层：
[0057] 3、基于场景自适应的特征选取过程
[0058] 假设表示第t帧中的检测响应屯，1^表示一系列在第t帧前已关联到目标j的 轨迹，则当检测响应Cli在第t帧时已关联到T /倩况下，目标j特征表示的差异值为：
[0060] 上式中的DiStf (k)表示检测响应d i与轨迹T j在特征表示f(k)下的距离度量。
[0061] 分别计算差异值的均值uf (k)与标准偏差S f(k):
[0063] 上式中的Nt表示关联到轨迹的检测响应数目，各?为：
[0067] 上式中的Uk是一个为不同特征预先设定的参数（本发明设为20)，w 1与W2是权重 参数。
[0068] 实际应用中，本发明采用迭代方式更新％(10与Sf(k):
[0073] 对于给定的更新值％(15)与S f(k)，Rk可通过式（17)进行更新。
[0074] 4、基于场景自适应的局部轨迹
[0075] 假设选取K个鲁棒性特征，构建K层特征空间Hk，且在Hk内有M k条轨迹T Hk:= IT^JANk个检测响应DHk: = {(^Η1?}Ν间存在关联，则基于场景自适应的局部轨迹具体过程 描述如下：
[0076] 计算THk与D Hk之间的相似性矩阵M Hk:
[0078] 上式中的Aijfflt表示M Hk的第i行和第j列的元素，且
[0080] 基于式（21)所示的相似性矩阵，本发明提出基于分层的局部轨迹生成方法，该方 法首先检测响应，并以此更新轨迹Tj ;然后，对那些不可靠连接，将构建多层特征空间；最 后，采用迭代过程实现轨迹关联，对那些由于目标遮挡、走出区域而引起的目标跟丢，则在 全局轨迹关联算法框架中进行进一步分析。
[0081] 步骤2 :基于增量线性判决的表观模型，实现全局轨迹关联；
[0082] 本发明提出基于增量线性判别表观模型的在线学习关联策略。由