基于概率假设密度的目标数变化的视频跟踪算法
【技术领域】
[0001] 本发明涉及的是一种目标跟踪领域的算法，具体是基于概率假设密度的目标数变 化的视频跟踪算法。
【背景技术】
[0002] 视频目标跟踪广泛应用于军事和民用方面，如在军事方面的各种防卫系统：战场 监视系统，机载火力控制系统等，民用方面包括汽车、个人GPS导航系统等。视频目标跟踪 的目的是根据目标的特征如位置、速度、色彩、形状、纹理等以及目标描述模型在连续图像 帧间建立对应关系，进而获得目标位置和形状等目标状态信息。一般视频目标跟踪方法可 以分成两类：（1)数据驱动算法，直接建立目标模板和候选区域的相似度函数，利用匹配运 算或优化算法将跟踪问题转化为局部的迭代寻优问题，如Mean-shift跟踪；（2)基于模型 的概率跟踪算法，该类方法将目标跟踪问题转换为目标状态估计问题，目标状态的所有信 息均包含于状态的后验密度中，目标状态后验密度可根据贝叶斯滤波来求解，如粒子滤波 跟踪。
[0003] 在单目标跟踪场景下，贝叶斯滤波首先预测目标状态的概率密度，然后利用当前 帧的新量测对预测状态概率密度进行更新获得状态后验概率密度。在线性高斯条件下，贝 叶斯滤波的闭合形式的递推方法等同于卡尔曼滤波。在非线性非高斯条件下，贝叶斯滤波 的有效的实现方法是粒子滤波算法。
[0004] 在多目标跟踪场景下，1994年Mahler首次系统地针对多传感器多目标跟踪问题 提出了有限集统计理论，并以此为数学理论基础提出随机有限集框架下的多目标贝叶斯滤 波。2000年Mahler结合点过程理论给出了 Possion条件下近似的随机有限集的一阶矩递 推滤波公式，从而得到了多目标贝叶斯滤波的近似即PHD滤波器。2005年，Ba-Ngu Vo等给 出PHD滤波器在线性高斯条件下的解析解，GM-PHD方法即高斯混合PHD (GM-PHD)，已用于各 种传感器的目标跟踪问题。GM-PHD借鉴了高斯混合滤波算法的思想，具有计算量小，强大的 去除杂波能力，状态抽取可靠，易于处理多目标跟踪中目标的消亡和遮挡等优点。但该方法 有两个缺点：（1)由于GM-PHD的输出为状态估计的随机集，无法给出目标身份（航迹）特 征信息；（2)无法跟踪位置未知的新生目标。
【发明内容】
[0005] 本发明针对现有技术中存在的上述不足，提出一种基于概率假设密度的目标数变 化的视频跟踪算法。该算法能够有效跟踪数目变化的多目标，尤其能够跟踪位置未知的新 生目标，并能够产生目标航迹。该算法改进了 GM-PHD滤波的性能，能够在目标数发生变化 和目标发生交叉情况下，取得较为鲁棒的估计状态，并能够识别目标航迹。
[0006] 本发明是通过以下技术方案实现的，本发明包括以下步骤：
[0007] 第一步，采用运动检测方法，实现运动目标的快速有效分割，提取前景目标的质 心，尺寸作为目标量测，并建立目标模型。
[0008] 所述的目标模型包括目标状态模型和观测模型。
[0009] 第二步，利用运动检测结果设计新生目标强度更新方法，用以产生新生目标强度 函数。
[0010] 第三步，使用步骤2得到的更新后的新生目标强度进行PHD预测。
[0011] 所述的PHD预测，具体是：对新产生目标预测，对孵化目标预测以及对继续存在目 标进行预测。
[0012] 第四步，对检测到的目标进行更新，即使用步骤1得到的量测随机集对预测PHD进 行更新。
[0013] 所述的PHD的更新，具体是：对未检测到的目标预测高斯元的更新和由量测对检 测到的目标预测高斯元的更新。
[0014] 第五步，对以上输出的更新后高斯元进行修剪，主要任务是对于距离很近的高斯 元进行合并，对极小权值的高斯元进行删除。
[0015] 第六步，状态抽取，对于高斯元的权值大于阈值（一般取0. 5)，其所对应的期望值 作为目标状态，输出估计的目标数和状态。
[0016] 第七步，采用auction的航迹识别方法进行"航迹-状态估计"关联以识别目标航 迹，输出带有身份标识的航迹。
[0017] 与现有的技术相比，本发明的有益效果是：该算法能够有效跟踪数目变化的多目 标，尤其能够跟踪位置未知的新生目标，并能够产生目标航迹。该算法改进了 GM-PHD滤波 的性能，能够在目标数发生变化和目标发生交叉情况下，取得较为鲁棒的估计状态，并能够 识别目标航迹。
【附图说明】
[0018] 图1是目标数变化的目标跟踪系统框图。
[0019] 图 2 是运动检测结果（第 290, 312, 340, 382, 735, 930 帧）。
[0020] 图 3 是原 GM-PHD 跟踪结果（第 29〇, 312, 340, 382, 735, 93〇 帧）。
[0021] 图4是本文算法跟踪结果（第290, 312, 340, 382, 735, 930帧）。
[0022] 图5是OSPA距离比较曲线。
[0023] 图6是实施例中参数的设置。
【具体实施方式】
[0024] 下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前 提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下 述的实施例。
[0025] 实施例
[0026] 本实施例采用行人检测视频数据库"0neShop0neWait2front"来实施。图6给出 了实施例中主要参数的设置值。本实施例采用一个wXh矩形表示目标区域，则目标状态 向量可以表示为，叉 15=(口〇!￡，15，卩(^，15，￥!￡， 15^，15，'\￥，11)'其中？〇15=(口〇!￡， 15，？(^，15)为矩形的中心， Vk= (Vx，k，Vy，k)为目标中心在图像的水平和坚直方向的速度，目标的一个观测向量为Zk = (p〇k，w，h)T。假设k时亥Ij描述后验PHD的高斯元参数为[<，!<>,，设k+1时亥Ij量测随 机集为Ζ?+1={4+1!?Τ,其中，Jk，mp，cf,分别为k时刻后验PHD的高斯元数目，第i 个高斯元的均值，权值及相应的协方差。假设k时刻新生目标集为，其高斯元参数 为 KKd。
[0027] 第一步，采用运动检测方法计算目标位置，大小等参数，实现运动目标的快速有效 分割，提取前景目标的质心坐标，长和宽作为目标量测向量，并建立目标状态模型和观测模 型。
[0028] 所述的目标状态模型采用线性高斯常速模型来建模，具体是：
[0029] Xk=Fxk-Auk (1)
[0030] 其中，F为状态转移矩阵，Uk为零均值协方差为Q v的高斯白噪声序列，
【主权项】
1. 一种基于概率假设密度的目标数变化的视频跟踪算法，其特征在于，包括以下步 骤： 第一步，采用运动检测方法，实现运动目标的快速有效分割，提取前景目标的质心，尺 寸作为目标量测，并建立目标模型； 第二步，利用运动检测结果设计新生目标强度更新方法，用以产生新生目标强度函 数； 第三步，使用步骤2得到的更新后的新生目标强度进行PHD预测； 第四步，对检测到的目标进行更新，即使用步骤1得到的量测随机集对预测PHD进行更 新； 第五步，对以上输出的更新后高斯元进行修剪，主要任务是对于距离很近的高斯元进 行合并，对极小权值的高斯元进行删除； 第六步，状态抽取，对于高斯元的权值大于阈值（一般取〇. 5)，其所对应的期望值作为 目标状态，输出估计的目标数和状态； 第七步，采用auction的航迹识别方法进行"航迹-状态估计"关联以识别目标航迹， 输出带有身份标识的航迹。
2. 根据权利要求1所述的基于概率假设密度的目标数变化的视频跟踪算法，其特征 是，所述的目标模型包括目标状态模型和观测模型，具体是， Xk - Fx H+Uk， Zk - Hx k+wk, 其中，F为状态转移矩阵，uk为零均值协方差为Qv的高斯白噪声序列，H为观测矩阵， wk为零均值协方差矩阵为Q ￥的高斯白噪声。
3. 根据权利要求1所述的基于概率假设密度的目标数变化的视频跟踪算法，其特征 是，所述的更新的新生目标强度更新方法，具体是：计算当前帧量测和上一帧量测的巴氏距 离，保留连续5帧图像中巴氏距离小的量测钤丨+1^；，计算·^丨+1}3与上一帧航迹UDS的 巴氏距离，选择巴氏距离大的量测为准新生目标量测·?<?+1 ，并由准新生目标量测构造 新生目标高斯元，与上一帧的新生目标高斯元合并以得到更新的新生目标强度。
4. 根据权利要求1所述的基于概率假设密度的目标数变化的视频跟踪算法，其特征 是，所述的PHD预测，具体是：对更新后的新生目标预测，对孵化目标预测以及对继续存在 目标进行预测。
5. 根据权利要求1所述的基于概率假设密度的目标数变化的视频跟踪算法，其特征 是，所述的PHD的更新，具体是：对未检测到的目标预测高斯元的更新和由量测对检测到的 目标预测高斯元的更新。
6. 根据权利要求1所述的基于概率假设密度的目标数变化的视频跟踪算法，其特征 是，所述的基于auction的航迹识别方法，具体是：将目标航迹识别问题可以看作二维分配 问题，即将当前k+Ι时刻的目标状态估计X k+1分配给上一个时刻k已确认的目标航迹T k，而 最优二维分配的求解可转化为求取关联代价函数和的极小值。
7. 根据权利要求6所述的基于auction的航迹识别方法，其特征是，所述的关联代价函 数采用巴氏距离衡量目标的位置和大小的相似性来建立，具体是，
其中，Cy为航迹t/:和状态4+1相关联的代价，
己氏距离，
为Bhattacharyya系数，As的取值分别为向量夂 +1中的位置和尺 寸值{/w.U+i，/wk+i，<1，￥+1 丨，Bs取值为A-，w/，Zz/ }。
8.根据权利要求6所述的基于auction的航迹识别方法，其特征是，所述的最优二维 分配的求解采用auction优化算法，具体是，遍历计算所有状态估计{X丨+1},1I i1*1与确认航迹 的关联代价，生成Nk+1 XLk的二维关联矩阵，并利用auction优化算法实现当前帧状 态和确认航迹的最优配对，从而完成当前帧多目标状态的航迹识别。
【专利摘要】本发明公开了一种基于概率假设密度的目标数变化的视频跟踪算法，包括以下步骤：采用运动检测方法，实现运动目标的快速有效分割产生目标量测；利用运动检测结果设计新生目标强度更新方法以产生新生目标强度函数；对PHD进行预测并更新；对更新后高斯元进行修剪；状态抽取，输出估计的目标数和状态；采用auction的航迹识别方法进行“航迹-状态估计”关联以识别目标航迹，输出带有身份标识的航迹。本发明能够有效跟踪数目变化的多目标，尤其能够跟踪位置未知的新生目标，并能够产生目标航迹。该算法改进了GM-PHD滤波的性能，能够在目标数发生变化和目标发生交叉情况下，取得较为鲁棒的估计状态，并能够识别目标航迹。
【IPC分类】G06T7-20
【公开号】CN104637070
【申请号】CN201410779080
【发明人】吴静静, 宋淑娟, 尤丽华, 王金华
【申请人】江南大学
【公开日】2015年5月20日
【申请日】2014年12月15日