[发明专利]一种基于长短期预测模型的多目标遮挡跟踪方法

说明书

本发明公开了一种基于长短期预测模型的多目标遮挡跟踪方法，包括：首先设计基于运动的预测模型和基于外观的预测模型来预测丢失目标位置；其次设计一种自适应加权融合方法来融合这两个预测结果得到短期预测结果；然后通过样条插值法进行预测丢失目标的位置并将其结果视为长期预测结果；最后设计一种自适应加权融合方法来融合长期和短期预测结果。本发明提出的方法解决了多目标跟踪中单一处理某种遮挡时间的问题，可以有效处理不同遮挡时间长度和处理不同类型的遮挡，有效地恢复了目标在遮挡帧期间的位置，提升了跟踪的准确度。在对实际监控数据集的定量和定性测试中，都佐证了本发明所提方法的有效性。

技术领域

本发明涉及监控目标跟踪技术领域，特别涉及一种基于长短期预测模型的多目标遮挡跟踪方法。

背景技术

多目标跟踪的任务是给定一段视频，输出视频中所有出现的目标的轨迹。多目标跟踪应用广泛，可应用于多媒体分析、视觉监控和体育分析等。作为计算机视觉领域中的中级任务，多目标跟踪一直是研究学者们研究的重点。

目前主流的多目标跟踪方法是基于检测的跟踪框架，即先使用检测器对视频进行目标检测，然后进行数据关联得到最终的目标运动轨迹。检测结果作为输入，其质量的好坏，对跟踪结果产生巨大的影响。虽然近些年，目标检测取得重大突破，但是在真实监控场景中，由于人群密度较大，频繁遮挡，使得检测器容易产生漏检问题。在基于检测的跟踪框架下，漏检会导致目标容易发生身份频繁切换和目标的轨迹容易分裂等问题，进而降低了跟踪的准确度。因此遮挡处理对多目标跟踪的准确度提升有着重要意义。

目前运动模型是解决遮挡问题的主要方法，如卡尔曼滤波和粒子滤波。基于运动模型的方法主要是根据目标的历史状态来预测下一时刻状态，可以很好的解决短期遮挡问题。然而在长期遮挡过程中，由于没有检测结果对遮挡目标进行更新和校正，使得目标容易跟踪漂移。另外一种解决遮挡问题的方法是基于外观模型的单目标跟踪方法，通过寻找下一帧目标最有可能出现的位置来解决背景遮挡和目标丢失问题。然而一旦目标较多，相似的外观在长期遮挡中容易使目标发生跟踪漂移。近些年，也有一些研究学者使用样条插值法来拟合目标运动轨迹预测目标在丢失帧期间的位置。但是这种方法在短期遮挡中，由于目标位置点较少，使得拟合的曲线不够光滑，与目标真实轨迹有偏差。

发明内容

针对以上问题，本发明提出了一种基于长短期预测模型的多目标跟踪框架来有效的处理遮挡问题和恢复被遮挡目标在遮挡帧期间的位置。该框架由短期预测模型和长期预测模型组成。而其中短期预测模型是由基于外观的预测模型和基于运动的预测模型组成。基于外观的预测模型可以解决漏检和背景遮挡问题，基于运动的预测模型可以解决目标间遮挡问题。为了更好的对长期遮挡的目标进行轨迹恢复，采用样条插值法来构建长期预测模型。最后为了能让跟踪器自适应地选择不同遮挡处理方法，采用了自适应权重融合策略。

针对现有技术的不足，本发明提供了一种基于长短期预测模型多目标遮挡跟踪方法，其核心思想是长期预测模型和短期预测模型，并以自适应加权融合的方法融合这两个预测模型于一体，可以有效地自适应地解决不同类型不同长度的遮挡问题。

本发明的目的可以通过以下技术方案来实现：

一种基于长短期预测模型多目标遮挡跟踪方法，包括以下步骤：

步骤1：使用检测器获得每帧检测结果，初始化目标ID和目标轨迹，并初始化第一帧上所有目标轨迹；

步骤2：将当前帧的检测结果与上一帧目标轨迹进行匹配，得到匹配结果；

步骤3：对于匹配成功的目标轨迹，用与之匹配成功的当前帧的检测结果对其外观进行更新，若存在未匹配成功的目标轨迹，则执行步骤4，若存在未匹配成功的检测结果，则执行步骤5；

步骤4：将未匹配成功的目标轨迹u_i状态设置为中止，并将其ID加入到消失目标集合UT中；

步骤5：若UT为空，则执行步骤6，否则执行步骤7；