一种自适应分层关联多目标跟踪方法
【专利摘要】本发明属于智能视频监控技术领域，提出了一种自适应分层关联多目标跟踪方法。本方法利用增量线性可判别分析(ILDA，Incremental Linear Discriminant Analysis)寻找一个能尽可能分离各个目标的投影矩阵，并提取各个目标的特征均值向量，并用其定义轨迹和候选目标进行匹配的关联代价函数，从而来指导连续轨迹和断开轨迹的增长。当前帧匹配结束后，计算各个轨迹最新匹配结果和其特征均值向量的差异，当差异大于一定阈值的时候，用该匹配结果来更新ILDA模型相关参数，否则不更新。相比现有技术，本发明能够减少多目标跟踪过程中由于目标外观相似而跟错目标的概率。
【专利说明】
一种自适应分层关联多目标跟踪方法
技术领域
[0001] 本发明属于图像数据处理或产生领域的图像分析技术，具体涉及一种自适应分层 关联多目标跟踪方法，属于智能视频监控技术领域。
【背景技术】
[0002] 多目标跟踪在计算机视觉系统中具有举足轻重的位置，在人机交互、军事制导、安 全监控、智能交通等众多领域中有着广阔的前景。
[0003] 近年来，随着检测器提供的检测结果越来越可靠，基于检测的追踪方法逐渐成为 多目标追踪的一个主要研究方向。其中，分层数据关联框架受到不少人的关注，它把数据关 联分为两步，第一步是局部关联，传统的方法是关联相邻帧的检测结果使轨迹片段可靠有 效地增长，直到当前帧没有匹配的检测结果使得轨迹中断。第二步是全局关联，主要是计算 断开轨迹和候选目标的相似度，关联它们尽可能得到目标完整的轨迹。
[0004] 在现实的需求场景中，对行人的追踪，对比赛现场运动员的追踪，对车辆的追踪等 等都面临着目标之间外观非常相似的问题。而传统的基于分层关联的依据正是相邻两帧检 测结果的表观相似度，外观相似的目标之间的色彩直方图也往往非常相似，这使得多个目 标之间难以区分，甚至会产生跟错目标的情况，使得目标最终轨迹的质量下降，追踪的鲁棒 性降低。
[0005] 现有技术中，公告号为CN102521612B，名称为〃一种基于协同关联粒子滤波的多视 频目标主动跟踪方法〃的国内发明专利利用视觉注意机制"主动发现"目标，解决了目标的 出现、消失，以及交互目标的合并、分裂以及过遮挡造成的误跟踪及跟踪丢问题，但在多个 目标外观相似且空间位置相近的情况下，跟错目标的概率上升。
【发明内容】
[0006] 本发明要解决的技术问题是解决传统分层数据关联技术容易发生的由于目标外 观相似导致的跟错、跟丢目标问题。
[0007]为此，本发明提出一种自适应分层关联多目标跟踪方法。
[0008] 本发明具体采用以下技术方案解决上述技术问题，包括以下步骤：
[0009] 步骤1、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧 的初始轨迹，定义目标i在当前第t帧的跟踪结果为A>(x.r.ua)，其中，（x，y)为目标区域 中心坐标，（w，h)为目标的宽和高，则目标的轨迹T1是目标从出现到当前帧跟踪结果的集 合，表示为浐={尤11 # 1% .，其中，m是帧号4和《分别是轨迹的开始帧和结尾帧， 形成初始轨迹包括以下过程：
[0010] (a)把第一帧的所有检测结果作为待追踪的目标；
[0011] (b)计算其中一个待追踪目标i和当前第t帧第j个检测结果g的颜色相似度，采用 Bhattacharyya系数P来计算，= X\,厂("')咖')，其中，P和q分别是目标i和检测结果j U^\ 的HSV颜色直方图，如果P>0.7，则将检测j作为待追踪目标i的子节点；
[0012] (c)重复步骤(b)，直至计算完所有待追踪目标的子节点；
[0013] (d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标 当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨 迹，其余的则被舍弃；
[0014] 步骤2、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作 为样本集合，训练出ILDA模型，包括以下过程：
[0015] (a)假设有k个目标，第i(l$i彡k)个目标有m个样本，计算每个样本的HSV颜色直 方图向量/<?,) ?则目标i的均值向量为
，所有目标的总体均值向量
[0016] (b)计算所有样本类内离散度矩阵为
?样本类间离散 h 度矩阵为民 =^n-Xmt -/??)(/?/,. - in)' i i^l
[0017] (c)通过对C1晃进行特征分解获得其特征向量，将特征值按照大小进行降序排 列，取前k_l个特征向量组成投影矩阵WlLDA;
[0018] 步骤3、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨 迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；
[0019] 步骤4、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开 轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤3剩余的未匹配的检测结 果，使得断开轨迹得以增长；
[0020] 步骤5、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的 目标；
[0021 ]步骤6、自适应地用跟踪结果来更新ILDA模型各个参数；
[0022] 步骤7、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤3。
[0023] 作为优选，上述步骤1中的N帧具体设定如下：
[0024] N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所 以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。
[0025] 作为优选，上述步骤3中连续轨迹的增长过程具体如下：
[0026] (a)计算h个连续的轨迹和m个检测结果Zt的关联代价矩阵S= [Sij]hxm，其中， \ l〇g(p(心，叫是第i个连续轨迹T1和第j个检测结果z/的关联代价， m1(c)是连续轨迹的均值向量，/(2/)是检测结果的HSV色彩直方图向量；
[0027] (b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T1(e)和 检测 < 的关联代价低于预先设定的阈值_log(0)(0实验中取值为0.7)，则两者是可以关 联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；
[0028] (c)把匹配后的最新跟踪结果f 加入连续轨迹T 1(e)。
[0029] 进一步，作为优选，上述步骤4断开轨迹的增长过程具体如下：
[0030] (a)考虑1个断开轨迹T1(d)和n个剩余的检测结果M进行匹配，关联代价矩阵为C = [Cij]lXn，其中，& =-l〇g(p(K則皿Jlv/)))，mi⑷是断开轨迹的均值向量，/(.V/)是检 测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用 连续轨迹增长中用到的阈值0，由此得到了匹配的最优结果；
[0031] (b)考虑1个断开轨迹Ti(d)与满足时间约束的h个连续轨迹Tj(e)进行匹配，满足时间 约束即指断开轨迹的结尾帧沴小于连续轨迹的开始帧t，关联代价矩阵为其中， aij = -log(p(WiLDAmi(d)，WiLDAmj(c)))高⑷和mj(c)分别是断开轨迹和连续轨迹的均值向量，依 据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值0，由 此得到了匹配的最优结果；
[0032] (c)把匹配后的最新跟踪结果尤= 加入断开轨迹T1(d)。
[0033] 作为优选，上述步骤5判断新目标出现具体设定如下：
[0034] 如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新 目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标 的确是一个新目标，否则删除该候选新目标。
[0035] 最后，上述步骤6中自适应更新ILDA模型具体设定如下：
[0036] 对于目标i，在当前帧匹配到跟踪结果2；，则计算跟踪结果2丨投影后的特征 和目标的ILDA模板均值nu的差异，定义为：
[0038]当差异A大于一定阈值，则把该跟踪结果<放入用来更新ILDA模板的增量样本集 里。每隔五帧，用增量样本集来更新ILDA模板相关参数。更新的参数包括各个目标的均值向 量nu，类间散度矩阵Sb，类内散度矩阵S w，投影矩阵Wilda。
[0039]本发明利用增量线性可判别分析寻找一个能尽可能分离各个目标的投影矩阵，提 取各个目标的特征均值向量，并用这两个参数定义轨迹和候选目标进行匹配的关联代价函 数，使得连续轨迹和断开轨迹的增长过程更为可靠。相比现有技术，本发明能够减少多目标 跟踪过程中由于外观相似导致跟错目标的概率，并有效提高了目标跟踪轨迹的质量。
【附图说明】
[0040] 图1为本发明的基本原理不意图。
【具体实施方式】
[0041] 为使本发明的目的、实现方案和优点更为清晰，下面对本发明的具体实施作进一 步的详细描述，本发明的具体流程如图1所示。
[0042] -种鲁棒的在线分层关联方法，具体按照以下步骤：
[0043] 步骤1、该发明的视频由视频监控系统或者视频传感器网络的采集设备获得。
[0044] 步骤2、用检测器对视频序列进行检测，得到每一帧的检测结果。
[0045] 步骤3、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧 的初始轨迹，定义目标i在当前第t帧的跟踪结果为A? = (x..v. w./2)，其中，（x，y)为目标区域 中心坐标，（w，h)为目标的宽和高，则目标的轨迹T1是目标从出现到当前帧跟踪结果的集 合，表示为r' = {X;" 11 # ，其中，m是帧号次和 < 分别是轨迹的开始帧和结尾 帧，形成初始轨迹包括以下过程：
[0046] (a)把第一帧的所有检测结果作为待追踪的目标；
[0047] (b)计算其中一个待追踪目标i和当前第t帧第j个检测结果 < 的颜色相似度，采用 N _ Bhattacharyya系数P来计算，M/q) = 为(〃》，其中，P和q分别是目标i和检测结果 的HSV颜色直方图，如果P>0.7，则将检测j作为待追踪目标i的子节点；
[0048] (c)重复步骤(b)，直至计算完所有待追踪目标的子节点；
[0049] (d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标 当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨 迹，其余的则被舍弃；
[0050] 步骤4、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作 为样本集合，训练出ILDA模型，包括以下过程：
[0051] (a)假设有k个目标，第i(l<i<k)个目标有m个样本，计算每个样本的HSV颜色直 方图向量丑/(I句'<?,.)，则目标i的均值向量为
.，所有目标的总体均值向量
[0052] (b)计算所有样本类内离散度矩阵为弋=样本类间离散 i-1 j：=\. 度矩阵为& = ；
[0053] (c)通过对，.进行特征分解获得其特征向量，将特征值按照大小进行降序排 列，取前k_l个特征向量组成投影矩阵WlLDA;
[0054]步骤5、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨 迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；
[0055] 步骤6、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开 轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤5剩余的未匹配的检测结 果，使得断开轨迹得以增长；
[0056] 步骤7、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的 目标；
[0057] 步骤8、自适应地用跟踪结果来更新ILDA模型各个参数；
[0058] 步骤9、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤5。
[0059]作为优选，上述步骤3中的N帧具体设定如下：
[0060] N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所 以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。
[0061 ]作为优选，上述步骤5中连续轨迹的增长过程具体如下：
[0062] (a)计算h个连续的轨迹和m个检测结果Zt的关联代价矩阵S= [Sij]hxm，其中， % =-log〇9(iT_m,w,，_/(〇)).叫是第i个连续轨迹Ti和第j个检测结果彳的关联代 价，m 1(。)是连续轨迹的均值向量，/(2/)是检测结果的HSV色彩直方图向量；
[0063] (b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T1(e)和 检测#的关联代价低于预先设定的阈值_log(0)(0实验中取值为0.7)，则两者是可以关 联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；
[0064] (c)把匹配后的最新跟踪结果X/ = 加入连续轨迹Ti(e)。
[0065] 进一步，作为优选，上述步骤6断开轨迹的增长过程具体如下：
[0066] (a)考虑1个断开轨迹T1(d)和n个剩余的检测结果乂 :进行匹配，关联代价矩阵为C =
[Cij]ixn，其中，％ =-log(p(F/mjmn</),F//ZH/Cv/)))，mi⑷是断开轨迹的均值向量，/(.v/)是检 测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用 连续轨迹增长中用到的阈值0，由此得到了匹配的最优结果；
[0067] (b)考虑1个断开轨迹Ti(d)与满足时间约束的h个连续轨迹Tj(e)进行匹配，满足时间 约束即指断开轨迹的结尾帧<小于连续轨迹的开始帧 关联代价矩阵为Aita^hxh，其中， aij = -log(p(WiLDAmi(d)，WiLDAmj(c)))高⑷和mj(c)分别是断开轨迹和连续轨迹的均值向量，依 据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值0，由 此得到了匹配的最优结果；
[0068] (c)把匹配后的最新跟踪结果尤=加入断开轨迹T1(d)。
[0069] 作为优选，上述步骤7判断新目标出现具体设定如下：
[0070] 如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新 目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标 的确是一个新目标，否则删除该候选新目标。
[0071] 最后，上述步骤8中自适应更新ILDA模型具体设定如下：
[0072] 对于目标i，在当前帧匹配到跟踪结果z;，则计算跟踪结果 < 投影后的特征 仏〇^/0丨）和目标的ILDA模板均值mi的差异，定义为：
[0074]当差异A大于一定阈值，则把该跟踪结果放入用来更新ILDA模板的增量样本集 里。每隔五帧，用增量样本集来更新ILDA模板相关参数。更新的参数包括各个目标的均值向 量nu，类间散度矩阵Sb，类内散度矩阵S w，投影矩阵Wilda。
[0075]发明采用以上技术方案与现有技术相比，具有以下技术效果:本发明在连续轨迹 增长和断开轨迹增长阶段都构建出了质量更高的轨迹，并且在多个目标外观相似的环境 下，能够较好地区分出它们，大大减少了跟错、跟丢目标的概率。
[0076] 为了验证本发明的效果，一共进行了两个验证实验。
[0077] 本发明实验的硬件及软件仿真环境如表1所示：
[0079]表 1
[0080] 采用ETH-Bahnhof视频序列来进行测试。ETH-Bahnhof视频序列视频分辨率为640* 480，帧率14帧每秒，共计1000帧。该视频序列录制于一个繁忙的街道上，所以行人密度非常 大，而且摄像机处于水平视角，所以视频中行人存在严重遮挡的情况。
[0081 ]评价鲁棒性的标准则采用CLEAR-M0T评价标准，该标准目前广泛用于评价多目标 追踪鲁棒性，主要包括以下方面：
[0082] FP(False Positive):假正率，即跟踪得到假正目标的概率 [0083] FN(False Negative):假负率，即跟踪丢失目标的概率
[0084] IDSW(ID Switches):轨迹ID被交换的次数
[0085] M0TA(Multiple Object Tracking Accuracy):描述目标追踪的平均准确度，M0TA =卜Et(FNt+FPt+IDSWt)/EtGTt，其中，t是帧号，GT是真值目标的数目。
[0086] M0TP(Multiple Ob ject Tracking Precision):描述目标追踪的平均精度，M0TP zEud^/Etct，其中，ct是帧t中追踪成功目标的数目，do是目标i的追踪框和真实值追 踪框的比例。
[0087] 综上所述，FP，FN，IDSW的值越低，M0TA，M0TP的值越高，多目标追踪的性能越好。
[0088]而评价跟踪实时性的标准采用每帧的处理速度(秒/帧），用时越少，说明跟踪实时 性越好。
[0089]第一个实验内容:在更新目标ILDA模板时，设置不同的差异阈值，评价本文算法在 不同阈值的情况下的鲁棒性和实时性。
[0091] 表2
[0092] 表2为实验一的实验结果，由表2可以看出：
[0093] (1)观察实时性评价参数，即每帧处理速度，在设置阈值为10 %的时候，处理速度 由0.4秒/帧下降至IjO. 293秒/帧，节省了26.8%的时间，降幅是最大的；
[0094] (2)观察鲁棒性参数，即FP，FN，IDSW，M0TA，M0TP，发现阈值设置在10 %的时候，鲁 棒性基本没有下降，阈值设置为30%的时候，鲁棒性已经明显下降。
[0095] (3)根据上面观察所得，在阈值设置为10%时，即在追踪结果和该类别的ILDA模板 表观相似度差异小于10%的时候，不进行更新，这时候鲁棒性没有下降，而且节省了26.8% 的时间。
[0096] 第二个实验内容：把本发明算法和一篇处于世界领先水平的论文进行鲁棒性比 较，比较算法是Seung-Hwanl4年在IEEE TRANSACTIONS ON MAGE PROCESSING上发表的 Robust Online Multi-object Tracking With Data Association and Track Management，本发明算法在更新ILDA模板时把差异阈值设置为10%。
[0098]表 3
[0099]表3为实验二的实验结果，由表3可以看出：本文的ID交换次数IDSW为37,而比较算 法为72,即相比比较算法，本发明算法的IDSW减少了48.6%。说明，本发明算法在多目标追 踪时对于区分相似目标有更强的优越性，大大减少了 ID交换的概率。
[0100]需要说明的是，以上所述仅为本发明的一个具体实施例，并不用以限制本发明，本 实施例中所用数据集和攻击模式仅限于本实施例，凡在本发明的精神和原则之内，所作的 任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种自适应分层关联多目标跟踪方法，其特征在于包括以下步骤： 步骤1、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧的初 始轨迹，定义目标i在当前第t帧的跟踪结果为=(^^_，幻，其中，（^3〇为目标区域中心 坐标，（w，h)为目标的宽和高，则目标的轨迹T 1是目标从出现到当前帧跟踪结果的集合，表 示为Γ =丨;C,| I g S /> /丨，其中，m是帧号4:和 <分别是轨迹的开始帧和结尾帧，形成 初始轨迹包括以下过程： (a) 把第一帧的所有检测结果作为待追踪的目标； (b) 计算其中一个待追踪目标i和当前第t帧第j个检测结果4的颜色相似度，采用 Bhattacharyya系数P来计算其中，P和q分别是目标i和检测结果j 的HSV颜色直方图，如果P>0.7，则将检测j作为待追踪目标i的子节点； (c) 重复步骤(b)，直至计算完所有待追踪目标的子节点； (d) 对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标当成 子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨迹，其 余的则被舍弃； 步骤2、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作为样 本集合，训练出ILDA模型，包括以下过程： (a) 假设有k个目标，第i(l<i<k)个目标有m个样本，计算每个样本的HSV颜色直方图 向量爾:(I S Wi)，则目标1的均值向量为，所有目标的总体均值向量(b) 计算所有样本类内离散度矩阵为，样本类间离散度矩 阵爻 u ^通过別 以进订狩扯甘解获得其特征向量，将特征值按照大小进行降序排列，取前 k-l个特征向量组成投影矩阵Wilda ; 步骤3、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨迹和 当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长； 步骤4、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开轨迹 和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤3剩余的未匹配的检测结果，使 得断开轨迹得以增长； 步骤5、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的目 标； 步骤6、自适应地用跟踪结果来更新ILDA模型各个参数； 步骤7、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤3。2. 如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤1中的N 帧具体设定如下： N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所以用 目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。3. 如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤3中连 续轨迹的增长过程具体如下： (a) 计算h个连续的轨迹和m个检测结果Zt的关联代价矩阵S= [Sij]hxm，其中，Sij = -Iog (P(WlLDAmi(。) ,WlLDAf(ZtO))，Sij是第i个连续轨迹T1和第j个检测结果z/的关联代价，Hli(C)是 连续轨迹的均值向量，/(<)是检测结果的HSV色彩直方图向量； (b) 根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T1(e)和检测 z/的关联代价Slj低于预先设定的阈值_log(0)(0实验中取值为0.7)，则两者是可以关联的 关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果； (c) 把匹配后的最新跟踪结果< 加入连续轨迹T1(e)。4. 如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤4断开 轨迹的增长过程具体如下： (a) 考虑1个断开轨迹T1(d)和η个剩余的检测结果乂进行匹配，关联代价矩阵为C = [Cij]lXn，其中，Cij = -l〇g(P(WlLDAmi(d) ,WiLDAf^yt·3)))，mi(d)是断开轨迹的均值向量，/(.ν/)是 检测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采 用连续轨迹增长中用到的阈值Θ，由此得到了匹配的最优结果； (b) 考虑1个断开轨迹Ti(d)与满足时间约束的h个连续轨迹Tj(e)进行匹配，满足时间约束 即指断开轨迹的结尾帧??小于连续轨迹的开始帧<，关联代价矩阵为 = -l〇g(P(WlLDAmi(d) ,WlLDAHlj(C)) )，mi(d)和Hlj(C)分别是断开轨迹和连续轨迹的均值向量，依据 关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值Θ，由此 得到了匹配的最优结果； (C)把匹配后的最新跟踪结果尤=(?叫/〇加入断开轨迹!'1(<1)。5. 如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤5判断 新目标出现具体设定如下： 如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新目 标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标的 确是一个新目标，否则删除该候选新目标。6. 如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤6中自 适应更新ILDA模型具体设定如下： 对于目标i，在当前帧匹配到跟踪结果<，则计算跟踪结果< 投影后的特征和 目标的ILDA模板均值mi的差异，定义为：当差异A大于一定阈值，则把该跟踪结果<放入用来更新ILDA模板的增量样本集里，每 隔五帧，用增量样本集来更新ILDA模板相关参数，更新的参数包括各个目标的均值向量mi， 类间散度矩阵Sb，类内散度矩阵Sw，投影矩阵WildAd
【文档编号】G06K9/46GK105894022SQ201610193012
【公开日】2016年8月24日
【申请日】2016年3月30日
【发明人】胡栋, 张晶, 栾筱朋, 张娇
【申请人】南京邮电大学