[发明专利]基于小轨迹图关联模型的半在线视觉多目标跟踪方法

说明书

本发明公开了一种基于小轨迹图关联模型的半在线视觉多目标跟踪方法，在较短的时间窗口内将多个目标的多帧检测关联成为小轨迹，分别提取小轨迹初始时段和结束时段的外观特征和运动速度。对小轨迹相互之间吸引力进行评估之后，利用无向图模型将小轨迹进一步关联成为长轨迹，批处理后将部分结果输出。这种方式可以实现离线跟踪精度高但无法实时与在线跟踪准确性低的折中，取得较好的平衡，具有快速、简单、鲁棒等特点。通过建立目标的外观模型，使得目标的外观特征具有更高的判别性，并在小轨迹关联前对其时间先后顺序进行判断，选取时间较近的特征进行外观相似度分析，有效地降低了身份变换次数，不会产生太长的延时，使算法得到了较高的精度。

技术领域

本发明涉及计算机视觉领域，特别是一种基于小轨迹图关联模型的半在线视觉多目标跟踪方法。

背景技术

视觉跟踪是计算机视觉领域的重要研究课题，已经应用到视频监控、行为识别、机器人导航、自动驾驶、人机交互等多个领域，具有广泛的应用前景。通过视觉多目标跟踪系统，可以对序列图像包含的目标进行特征提取、识别及分析，进而获得相关目标的身份、位置、速度、轨迹等信息，为进一步的行为理解等高层任务做铺垫。

由于算法开始给定了每帧图像的目标检测结果，多目标跟踪本质上需要完成一个多个检测相关联的任务。由于实际场景中经常发生目标变形、目标被其他固定物体如路标、树木等遮挡、目标交互导致相互遮挡等情况，且目标背景的稳定程度、背景与目标间的可区分度也影响着跟踪结果，多目标跟踪成为一个极具挑战性的问题。

根据处理方式的不同，传统多目标跟踪方法分为离线跟踪和在线跟踪两大类。早期的跟踪算法主要是离线跟踪，这种方式以一段完整的视频及各帧检测作为输入，一次性处理所有帧的检测结果，并给出所有检测所属身份及位置。这种方式需考虑的目标较多，因此算法复杂度通常较高，不能实现实时应用。为了克服离线跟踪方式的不足，学者们提出了在线跟踪的处理方式，一般是在跟踪系统初始化后，通常基于多个目标的历史信息，建立外观模型和运动模型，结合当前帧中目标检测结果，对每个目标的状态进行判定和更新，依据这种方式对视频逐帧处理，确定多个目标的身份和位置，逐帧输出跟踪结果。这种方式可以实时应用，但在线跟踪的方式不能利用未来帧的目标检测信息，因此在目标频繁遮挡时在线跟踪系统的跟踪性能急剧下降。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于小轨迹图关联模型的半在线视觉多目标跟踪方法，减少延时，提高目标跟踪精度。

为解决上述技术问题，本发明所采用的技术方案是：一种基于小轨迹图关联模型的半在线视觉多目标跟踪方法，包括以下步骤：

1)对于一段图像序列，从开始帧按顺序选取当前处理窗口，对于每帧图像，通过目标检测的宽高比及目标检测两两之间的重叠率，剔除不属于目标的虚假检测；

2)计算相邻帧图像目标检测之间的覆盖率，将相邻帧覆盖率大于0.4 的检测关联成为长度不等的小轨迹；

3)对每段小轨迹计算首帧检测和末帧检测的HOG特征和HSV颜色直方图特征，估计每段小轨迹的始端速度和末端速度；对所有小轨迹，估计其两两之间的吸引力得分；

4)利用图模型将小轨迹关联成为长轨迹；

5)计算所述长轨迹的置信度；

6)取置信度大于0.5的长轨迹，训练外观模型，找到一个最优判别矩阵；

7)处理窗口向前移动，寻找下一批处理的图像帧，相邻窗口之间的重叠率为50％，重复步骤3)至步骤6)。

步骤1)中，如果两个检测重叠面积与合并面积的比值大于0.4，则认为这里两个检测属于同一个目标，则将其中一个设定为虚假检测，剔除该虚假检测。

步骤3)中，所述吸引力包括外观吸引力和运动吸引力；所述吸引力得分为外观吸引力得分和运动吸引力得分的乘积。