[发明专利]一种基于轨迹相似性度量学习的多目标跟踪重定位方法

说明书

本发明公开了一种基于轨迹相似性度量学习的多目标跟踪重定位方法。该方法包括：对采集的多目标轨迹整体和每一帧进行特征提取，获得反映深层特征的多目标运动轨迹；利用距离函数计算所述多目标运动轨迹间的相似性；对所述多目标运动轨迹间的相似性进行度量和轨迹聚类，以限制同类轨迹样本之间的距离，且增大不同类轨迹样本之间的距离。利用本发明能够克服多目标间的遮挡、重叠等因素带来的目标丢失和误跟踪问题。

技术领域

本发明涉及智能驾驶领域，更具体地，涉及一种基于轨迹相似性度量学习的多目标跟踪重定位方法。

背景技术

多目标跟踪场景变化高度复杂，实现准确的目标跟踪具有十分重要的意义。例如，在实际驾驶场景中，往往同时存在多个车辆在不同位置行驶，为了有效地保证车辆的自动驾驶与环境理解，首先需要对前方的不同车辆进行检测与跟踪。而多目标跟踪中因为相互重叠、遮挡经常会导致跟踪轨迹丢失或者匹配错误，因此单纯利用轨迹前后帧和目标的相似度进行匹配难以保证跟踪的正确性。

在多目标跟踪技术当中，传统的基于前后帧相似度比较的算法已逐渐被基于特征检测和相似性度量的算法所取代。尽管所提取的特征对于客观因素的变化具备一定的鲁棒性，但在分类时仍然存在类内混淆和类间相似的情况。因此，如何匹配不同场景或跟踪中断后的特征依然是模型设计的主要问题。一种策略是通过学习特征转换方程来对不同视角的特征进行转换，从而进行匹配。例如，假设不同摄像机拍摄画面的颜色分布可以通过双向累计亮度转换方程(bi-directional Cumulative Brightness Transfer Functions)来进行特征转换。例如，通过计算颜色相关性来设计颜色扭曲方程。又如，采用门控网络模型来自适应学习特征转换方式，使其能够应对姿态、分辨率、光照、背景等多个因素的变化。

然而，当场景变化高度复杂而所设计的模型复杂度不足时，特征转换方程的性能会极度降低。为此，研究人员提出利用距离度量学习来处理特征匹配问题。度量学习旨在学习样本分布的过程中，寻找最优的距离度量，使得不同场景内同一个目标的特征在该度量下尽可能地相似，而不同目标的特征尽可能地相异。早期的距离度量包括最大化近邻间隔(Large Margin Nearest Neighbor，LMNN)、信息理论度量学习(Information TheoreticMetric Learning，ITML)等，这些方法由于对数据需求量较大且优化时间较长，很难被应用到实际问题中。现有方法依然无法应对训练样本少所带来的种种问题，而在目标跟踪任务中标记样本往往非常有限，因此，在小样本条件下的距离度量学习仍然是一个未解的难题。

另一方面，深度模型可看作特征提取和特征匹配融合的整体架构，在Siamese网络的架构下，底层网络负责从两个场景中提取目标特征，而高层网络则用来转换特征和衡量相似性。具体而言，特征转换是通过一系列卷积操作和非线性操作将两幅图像的特征转换到同一个特征空间，相似性度量则是依赖于该特征空间下所定义的训练目标方程。如被用于早期的Siamese网络设计工作中的Softmax损失就是用来判别是否为同一目标的最简单的分类损失函数。然而，二分类的损失函数无法很好地表达类内相似和类间相异的性质，研究人员提出利用triplet损失函数来模拟距离度量学习中所定义的准则，即类内距离小于类间距离。与距离度量学习类似，深度学习模型也需要大量的训练样本来完成参数的充分训练，而在有限样本下所训练的模型很难被应用到不同成像条件下的数据，这导致了模型过拟合情况严重和范化能力差等问题。因此，如何利用现有数据库的信息来生成更多的新数据，这是一个非常值得研究并且极具挑战性的问题。

总之，在实际驾驶场景中，往往同时存在多个车辆在不同位置行驶，为了有效地保证车辆的自动驾驶与环境理解，首先需要对前方的不同车辆进行检测与跟踪。而多目标跟踪中因为相互重叠、遮挡经常会导致跟踪轨迹丢失或者匹配错误，因此单纯利用轨迹前后帧和目标的相似度进行匹配难以保证跟踪的正确性。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于轨迹相似性度量学习的多目标跟踪重定位方法。