[发明专利]一种在线跨尺度多流体目标匹配跟踪方法

说明书

本发明涉及一种在线跨尺度多流体目标匹配跟踪方法，其采用滑窗提取关联对象，对关联对象影像上的特定特征进行匹配跟踪，提取出不同尺度的流体目标特征；针对不同尺度的流体目标特征，选用基础特征参量进行特征提取；根据连续两帧特征信息计算复合关联权重，通过复合关联权重提取到不同体目标之间的空间关联与时间关联信息，并基于该关联信息构建基于相邻两帧的加权二分图；采用稀疏加权二分图匹配算法进行在线目标匹配，并基于匹配到的目标构建稀疏加权二分图；基于构建的稀疏加权二分图，采用卡尔曼滤波算法进行目标跟踪与轨迹预测。本发明能够有效提高多流体目标匹配跟踪精度；将方法运行时间降低至秒级，满足在线算法要求。

技术领域

本发明涉及，尤其涉及一种在线跨尺度多流体目标匹配跟踪方法。

背景技术

目前，多目标跟踪技术由四步骤组成：目标检测、关联权重计算、目标匹配、目标轨迹跟踪。多目标跟踪问题已取得很多研究成果，但其跟踪目标如飞机、行人、车辆等采用的模型为点目标、刚体目标或多刚体组成的可形变目标。流体目标与这些目标存在较大差异。流体目标的形状、强度分布会持续变化，不同目标的尺度差异很大。

现有经典的目标检测方法需要识别各个目标单体。但流体目标在运动过程中形态时刻变化，且存在分离融合判断问题，即在运动过程中可由单个目标分裂成多个目标，或多个目标融合成单个；且不同单体之间的融合、大流体目标分离成小目标会造成目标的尺寸、形态、强度、关键点等重要特征发生剧烈变化，这会造成不同时刻之间提取的流体目标的形态、强度、位置均存在较大差异，关联特征选择与目标匹配难度大，难以进行匹配跟踪。此外，不同的流体目标尺度跨度较大，最小的流体目标可能在观测图像上仅为几个像素点。这类目标与观测的噪声难以有效区分，常常造成不同帧之间检测结果的跳变、丢失等情况。因此现有在线多目标跟踪方法的检测、匹配方法不适用于流体目标跟踪。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种在线跨尺度多流体目标匹配跟踪方法，其能够有效提高多流体目标的匹配跟踪精度，解决了由于流体目标分离融合导致长时间跨度目标难以匹配问题。

本发明的目的通过如下技术方案实现：

本发明提供一种在线跨尺度多流体目标匹配跟踪方法，其包括：

步骤S101，采用滑窗提取关联对象，对关联对象影像上的特定特征进行匹配跟踪，提取出不同尺度的流体目标特征；

步骤S102，针对不同尺度的流体目标特征，选用基础特征参量进行特征提取；

步骤S103，根据连续两帧特征信息计算复合关联权重，通过复合关联权重提取到不同体目标之间的空间关联与时间关联信息，并基于该关联信息构建基于相邻两帧的加权二分图；

步骤S104，采用稀疏加权二分图匹配算法进行在线目标匹配，在目标匹配过程中将孤立节点排除，并基于匹配到的目标构建稀疏加权二分图；

步骤S105，基于构建的稀疏加权二分图，采用卡尔曼滤波算法进行目标跟踪与轨迹预测。

更优选地，所述复合关联权重为形态关联参量、运动关联参量与运动平滑关联参量的加权求和，权重系数为常数。

更优选地，所述形态关联参量为形状特征与值分布特征的加权求和，权重系数为常数；

所述形状特征向量包括矩形窗长、宽、窗内的目标占比、窗内目标形心位置，计算权重采用余弦距离；

所述值分布特征向量包括矩形窗长、宽以及窗内的图像强度分布，计算权重采用高斯距离。

更优选地，所述运动关联参量为运动方向约束。采用光流法计算连续两帧的形势场，统计出所有矩形窗内的平均运动场。矩形窗可选择多个特征点，包括角点、形心、中心等，计算高斯距离作为运动参量。

更优选地，所述运动平滑关联参量采用形势场估计的速度进行描述。