[发明专利]一种基于数据关联与轨迹评估的多目标跟踪方法

说明书

本发明公开了一种基于数据关联与轨迹评估的多目标跟踪方法，首先，利用随机采样一致性算法对每一个d∈D的观测进行直线拟合，得到目标的初始轨迹集T，同时利用时空关系对每一个d∈D的观测建立条件随机场模型，并给出标号方式；其次，建立拟合模型、先验模型、互斥模型，在CRF模型的基础上，利用拟合模型、先验模型、互斥模型构建目标函数，并利用梯度下降法与α‑expansion算法求解目标函数的近似最小能量；最后，基于最小能量对初始轨迹集T进行分割与合并、添加与删除、增长与收缩，得到目标的最佳跟踪轨迹。本发明基于数据关联与轨迹评估的多目标跟踪算法能够在场景拥挤、目标身份切换频繁、目标长时间遮挡的情况下得到稳定、连续的跟踪轨迹。

技术领域

本发明涉及一种多目标跟踪算法，尤其涉及一种基于数据关联和轨迹评估的多目标跟踪方法，属于图像处理技术领域。

背景技术

多目标跟踪技术是计算机视觉领域一个非常热点的课题。近年来，基于检测的跟踪方法主要分为两类：

(1)递归状态评估方法，即运动目标的未来状态只依赖于过去和当前的观测状态。

(2)非递归跟踪方法，即根据一系列图像帧中的信息预测所有目标的轨迹。然而，目前大部分工作都集中在数据关联上，即把每一个观测结果与特定的原始目标相关联。

因此，当前的大多数方法主要目的是寻找问题的近似解，或者局部最优解。卡尔曼滤波由于其简易性而广泛使用，但它只适用于线性模型以及高斯噪声分布模型。蒙特卡罗方法能够克服卡尔曼滤波的局限性，越来越多用于评估目标位置，但粒子数目会随着目标数目增加呈爆炸式增长，因此多模态维持变得越来越困难。这类递归状态评估方法有一个主要缺陷，即一旦产生误检，则很难修复。非递归跟踪方法主要集中在数据关联上，即把每一个观测结果与特定的原始目标相关联。基于网络流的跟踪方法使用最小成本流寻找最小多项式中一个相对简单的目标函数，并确定其全局最优解。当目标发生长时间遮挡时，不利于目标身份的确定。

发明内容

本发明所要解决的技术问题是针对多目标跟踪问题背景技术中所涉及到的缺陷，提出一种基于数据关联和轨迹评估的多目标跟踪方法。

一种基于数据关联与轨迹评估的多目标跟踪方法，包括以下步骤：

步骤A)，利用RANSAC算法对每一个d∈D的观测进行直线拟合，得到目标的初始轨迹集T，同时利用时空关系对每一个d∈D的观测建立CRF模型，并给出标号方式，D为观测的集合；

步骤B)，建立拟合模型、先验模型、互斥模型，在CRF模型的基础上，利用拟合模型、先验模型、互斥模型构建目标函数，并利用梯度下降法与α-expansion算法求解目标函数的近似最小能量；

步骤C)，基于最小能量对初始轨迹集T进行分割与合并、添加与删除、增长与收缩，得到目标的最佳跟踪轨迹。

作为本发明一种基于数据关联与轨迹评估的多目标跟踪方法进一步的优化方案，所述步骤A)中利用RANSAC算法对每一个d∈D的观测进行直线拟合的具体步骤如下：

步骤A.1.1)，随机选择观测子集D_k∈D中的目标i与j；

步骤A.1.2)，如果目标i与j之间的帧间间隔等于或小于4帧，并且帧间距离小于30cm,则连成一条直线，否则不连接；

作为本发明一种基于数据关联与轨迹评估的多目标跟踪方法进一步的优化方案，所述步骤A)中利用时空关系建立数据关联的CRF模型与标号方式的具体步骤如下：