本發(fā)明涉及目標(biāo)跟蹤領(lǐng)域，特別是涉及一種基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法及裝置。

背景技術(shù)：

在線目標(biāo)跟蹤是計(jì)算機(jī)視覺中的一個(gè)熱點(diǎn)研究課題，其對于動作識別、行為分析、場景理解等高層次的視覺研究具有重要意義，并且在視頻監(jiān)控、智能機(jī)器人、人機(jī)交互等領(lǐng)域有著廣泛的應(yīng)用前景。

在復(fù)雜場景下，由于目標(biāo)自身形變、目標(biāo)間相互遮擋或者背景靜物對目標(biāo)的遮擋等因素的影響，將難以避免的產(chǎn)生漏檢。此時(shí)，漏檢目標(biāo)找不到與其關(guān)聯(lián)的檢測到的觀測對象，無法通過數(shù)據(jù)關(guān)聯(lián)為這些漏檢目標(biāo)的軌跡更新找到有效的信息，軌跡精度降低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法及裝置，能夠解決現(xiàn)有技術(shù)中漏檢目標(biāo)的軌跡精度降低的問題。

為了解決上述技術(shù)問題，本發(fā)明采用的一個(gè)技術(shù)方案是：提供一種基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法，包括：對當(dāng)前視頻幀進(jìn)行運(yùn)動檢測，檢測得到的可能運(yùn)動對象作為觀測結(jié)果；對觀測結(jié)果和目標(biāo)的預(yù)測結(jié)果進(jìn)行關(guān)聯(lián)，其中預(yù)測結(jié)果是至少利用前一視頻幀的目標(biāo)的軌跡進(jìn)行預(yù)測而得到的，目標(biāo)包括可靠目標(biāo)及臨時(shí)目標(biāo)；對未被關(guān)聯(lián)的觀測結(jié)果和預(yù)測結(jié)果進(jìn)行軌跡管理，其中包括對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配；利用關(guān)聯(lián)結(jié)果和匹配結(jié)果獲取當(dāng)前幀的目標(biāo)的軌跡，其中包括對匹配成功的可靠目標(biāo)利用其匹配成功的候選結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡；利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，并為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林。

為了解決上述技術(shù)問題，本發(fā)明采用的另一個(gè)技術(shù)方案是：提供一種基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置，包括：處理器和攝像機(jī)，處理器連接攝像機(jī)；處理器用于對從攝像機(jī)獲取的當(dāng)前視頻幀進(jìn)行運(yùn)動檢測，檢測得到的可能運(yùn)動對象作為觀測結(jié)果；對觀測結(jié)果和目標(biāo)的預(yù)測結(jié)果進(jìn)行關(guān)聯(lián)，其中預(yù)測結(jié)果是至少利用前一視頻幀的目標(biāo)的軌跡進(jìn)行預(yù)測而得到的，目標(biāo)包括可靠目標(biāo)及臨時(shí)目標(biāo)；對未被關(guān)聯(lián)的觀測結(jié)果和預(yù)測結(jié)果進(jìn)行軌跡管理，其中包括對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配；利用關(guān)聯(lián)結(jié)果和匹配結(jié)果獲取當(dāng)前幀的目標(biāo)的軌跡，其中包括對匹配成功的可靠目標(biāo)利用其匹配成功的候選結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡；利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，并為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林。

本發(fā)明的有益效果是：通過對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配，如果匹配成功，則利用匹配成功的候選結(jié)果對該可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行濾波更新以獲取其軌跡，使得在發(fā)生漏檢，目標(biāo)找不到關(guān)聯(lián)的觀測對象的情況下，可以使用直覺模糊隨機(jī)森林找出與其匹配的可用于其軌跡濾波更新的候選結(jié)果，從而提高目標(biāo)軌跡的精度，改善目標(biāo)跟蹤的性能。

附圖說明

圖1是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第一實(shí)施例的流程圖；

圖2是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第二實(shí)施例一個(gè)例子中分支節(jié)點(diǎn)的硬判決函數(shù)和模糊判決函數(shù)的示意圖；

圖3是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第二實(shí)施例一個(gè)例子中分支節(jié)點(diǎn)的模糊判決函數(shù)和直覺模糊判決函數(shù)的示意圖；

圖4是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第三實(shí)施例的流程圖；

圖5是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第四實(shí)施例的流程圖；

圖6是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第四實(shí)施例中特征選擇準(zhǔn)則訓(xùn)練的流程圖；

圖7是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第五實(shí)施例的流程圖；

圖8是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第六實(shí)施例的流程圖；

圖9是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第七實(shí)施例的流程圖；

圖10是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置第一實(shí)施例的結(jié)構(gòu)示意圖；

圖11是本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置第二實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

如圖1所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第一實(shí)施例包括：

S1：對當(dāng)前視頻幀進(jìn)行運(yùn)動檢測。

使用幀差法、光流法、背景減除法等運(yùn)動檢測算法對當(dāng)前視頻幀進(jìn)行運(yùn)動檢測，以從中找出屬于運(yùn)動前景的像素，輔以中值濾波和簡單的形態(tài)學(xué)處理，最終得到當(dāng)前視頻幀中的可能運(yùn)動對象作為觀測對象。一個(gè)觀測對象是當(dāng)前視頻幀中的一個(gè)圖像塊，一般而言，觀測對象的形狀為矩形。

S2：對觀測結(jié)果和目標(biāo)的預(yù)測結(jié)果進(jìn)行關(guān)聯(lián)。

目標(biāo)包括穩(wěn)定跟蹤的可靠目標(biāo)及不穩(wěn)定跟蹤的臨時(shí)目標(biāo)。本步驟中的目標(biāo)狀態(tài)，即每個(gè)目標(biāo)被標(biāo)記為可靠目標(biāo)還是臨時(shí)目標(biāo)，是由前一視頻幀的軌跡管理決定的。臨時(shí)目標(biāo)包括在前一視頻幀為未被關(guān)聯(lián)且不是匹配成功的候選結(jié)果的觀測結(jié)果建立的新的目標(biāo)，以及連續(xù)關(guān)聯(lián)成功的幀數(shù)小于或者等于第一幀數(shù)閾值且未被刪除的目標(biāo)?？煽磕繕?biāo)包括連續(xù)關(guān)聯(lián)成功的幀數(shù)大于第一幀數(shù)閾值且未被刪除的目標(biāo)。目標(biāo)的預(yù)測結(jié)果是至少利用前一視頻幀的目標(biāo)的軌跡進(jìn)行預(yù)測而得到的。

S3：對未被關(guān)聯(lián)的觀測結(jié)果和預(yù)測結(jié)果進(jìn)行軌跡管理，其中包括對于未被關(guān)聯(lián)的可靠目標(biāo)，對其預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配。

具體而言，在可靠目標(biāo)的預(yù)測結(jié)果位置及其周圍指定范圍內(nèi)選擇若干個(gè)圖像塊作為候選結(jié)果，圖像塊的大小一般與預(yù)測結(jié)果的大小一致，指定范圍的大小及候選結(jié)果的數(shù)量一般由經(jīng)驗(yàn)值決定。候選結(jié)果可以包括在指定范圍內(nèi)的未被關(guān)聯(lián)的觀測結(jié)果。相鄰的候選結(jié)果可以彼此不重疊，也可以部分重疊。使用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林作為分類器，該分類器的分類結(jié)果有可靠目標(biāo)和非可靠目標(biāo)兩類。計(jì)算候選結(jié)果作為測試樣本隸屬于可靠目標(biāo)類別的直覺模糊隸屬度。若該直覺模糊隸屬度大于第一閾值η₁，且候選結(jié)果與可靠目標(biāo)的預(yù)測結(jié)果的外觀特征相似性度量大于第二閾值η₂，則匹配成功，0.5<η₁<1且0.5<η₂<1。

當(dāng)候選結(jié)果的數(shù)量大于一時(shí)，在分別為每個(gè)候選結(jié)果計(jì)算其作為測試樣本隸屬于可靠目標(biāo)類別的直覺模糊隸屬度之后，可以分別判斷每個(gè)候選結(jié)果的直覺模糊隸屬度是否大于第一閾值η₁，與預(yù)測結(jié)果的外觀特征相似性度量是否大于第二閾值η₂，如果有至少兩個(gè)候選結(jié)果滿足前述兩個(gè)條件，則選擇其中直覺模糊隸屬度最大的一個(gè)(直覺模糊隸屬度相同則選擇外觀特征相似性度量最大的一個(gè))作為匹配成功的候選結(jié)果用于后續(xù)的目標(biāo)狀態(tài)和直覺模糊隨機(jī)森林的更新；當(dāng)然，也可以從候選結(jié)果中選擇直覺模糊隸屬度最大的一個(gè)的候選目標(biāo)，然后判斷選中的候選結(jié)果的直覺模糊隸屬度是否大于第一閾值η₁，與預(yù)測結(jié)果的外觀特征相似性度量是否大于第二閾值η₂，如果滿足前述兩個(gè)條件則匹配成功。

此外，根據(jù)關(guān)聯(lián)結(jié)果和匹配結(jié)果對目標(biāo)狀態(tài)進(jìn)行更新，包括目標(biāo)的建立、刪除和狀態(tài)修改。具體包括：為未被關(guān)聯(lián)且不是匹配成功的候選結(jié)果的觀測結(jié)果建立新的臨時(shí)目標(biāo)；將連續(xù)關(guān)聯(lián)成功的幀數(shù)大于第一幀數(shù)閾值λ₁的臨時(shí)目標(biāo)變?yōu)榭煽磕繕?biāo)；刪除連續(xù)關(guān)聯(lián)不成功的幀數(shù)大于第二幀數(shù)閾值λ₂的臨時(shí)目標(biāo)；刪除連續(xù)關(guān)聯(lián)不成功的幀數(shù)大于第三幀數(shù)閾值λ₃，且匹配結(jié)果為匹配失敗的可靠目標(biāo)，匹配結(jié)果為匹配失敗是指利用直覺模糊隨機(jī)森林計(jì)算候選結(jié)果作為測試樣本隸屬于可靠目標(biāo)類別的直覺模糊隸屬度小于或者等于第六閾值η₆，且滿足0<η₆≤η₁。其中λ₁為大于1的正整數(shù)，λ₂和λ₃均為正整數(shù)，且滿足λ₃≥λ₂≥1。

S4：利用關(guān)聯(lián)結(jié)果和匹配結(jié)果獲取當(dāng)前幀的目標(biāo)的軌跡，利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，并為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林。

對匹配成功的可靠目標(biāo)利用其匹配成功的候選結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡。此外對關(guān)聯(lián)成功的目標(biāo)利用其關(guān)聯(lián)的觀測結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡，對新的臨時(shí)目標(biāo)將對應(yīng)的觀測結(jié)果作為軌跡，對關(guān)聯(lián)不成功且未被刪除的臨時(shí)目標(biāo)以及關(guān)聯(lián)不成功且匹配不成功且未被刪除的可靠目標(biāo)將其預(yù)測結(jié)果作為軌跡。

然后利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，得到的結(jié)果可以作為目標(biāo)的預(yù)測結(jié)果用于下一幀的目標(biāo)跟蹤。在本發(fā)明一個(gè)實(shí)施例中，使用卡爾曼濾波器對當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測以獲取下一幀的目標(biāo)的預(yù)測結(jié)果，卡爾曼濾波器也可以用于對預(yù)測結(jié)果和對應(yīng)的觀測結(jié)果/候選結(jié)果進(jìn)行濾波以獲取目標(biāo)的軌跡。

利用關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)對應(yīng)的目標(biāo)圖像塊為其更新直覺模糊隨機(jī)森林。目標(biāo)圖像塊可以不包括目標(biāo)的軌跡信息，例如為關(guān)聯(lián)成功的觀測對象或者匹配成功的候選結(jié)果，此時(shí)更新直覺模糊隨機(jī)森林的步驟與前述目標(biāo)的軌跡的獲取及預(yù)測的步驟的執(zhí)行順序并無限制。目標(biāo)圖像塊也可以包括目標(biāo)的軌跡信息，例如為可靠目標(biāo)的軌跡所在位置的圖像塊，此時(shí)更新直覺模糊隨機(jī)森林的步驟應(yīng)在前述目標(biāo)的軌跡的獲取的步驟之后執(zhí)行。

通過上述實(shí)施例的實(shí)施，對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配，如果匹配成功，則利用匹配成功的候選結(jié)果對該可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行濾波更新以獲取其軌跡，使得在發(fā)生漏檢，目標(biāo)找不到關(guān)聯(lián)的觀測對象的情況下，可以使用直覺模糊隨機(jī)森林找出與其匹配的可用于其軌跡濾波更新的候選結(jié)果，從而提高目標(biāo)軌跡的精度，改善目標(biāo)跟蹤的性能。

本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第二實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第一實(shí)施例的基礎(chǔ)上，候選結(jié)果作為測試樣本隸屬于可靠目標(biāo)類別的直覺模糊隸屬度P(c＝m|w)為：

其中c為測試樣本的類別標(biāo)簽，m為可靠目標(biāo)類別，w為測試樣本，T為直覺模糊隨機(jī)森林中直覺模糊決策樹的個(gè)數(shù)，M為生成直覺模糊隨機(jī)森林的訓(xùn)練樣本的類別集合，φ_t(c＝m|w)為利用第t個(gè)直覺模糊決策樹計(jì)算得到的測試樣本w隸屬于可靠目標(biāo)類別m的直覺模糊隸屬度。

直覺模糊決策樹對分支節(jié)點(diǎn)輸出判決進(jìn)行了直覺模糊化，使得同一個(gè)樣本會以不同的直覺模糊隸屬度經(jīng)過分支節(jié)點(diǎn)的輸出左分支以及輸出右分支，最終到達(dá)多個(gè)葉子節(jié)點(diǎn)。因此，直覺模糊決策樹的分類結(jié)果需要綜合考慮多個(gè)葉子節(jié)點(diǎn)的信息。φ_t(c＝m|w)定義為：

在第t個(gè)直覺模糊決策樹中，B_t為測試樣本w到達(dá)的所有葉子節(jié)點(diǎn)構(gòu)成的集合，b為測試樣本w到達(dá)的一個(gè)葉子節(jié)點(diǎn)，h^％(w)為將葉子節(jié)點(diǎn)b作為當(dāng)前節(jié)點(diǎn)時(shí)測試樣本w隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度，為葉子節(jié)點(diǎn)b預(yù)測類別為m的置信度，定義為：

其中x_j為到達(dá)葉子節(jié)點(diǎn)b的訓(xùn)練樣本，共有n_b個(gè)，c_j為訓(xùn)練樣本x_j的類別，δ(·)為狄拉克函數(shù)，h^％(x_j)為將葉子節(jié)點(diǎn)b作為當(dāng)前節(jié)點(diǎn)時(shí)訓(xùn)練樣本x_j隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度。

訓(xùn)練樣本和測試樣本隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度的計(jì)算方式相同，樣本x隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度h^％(x)為其隸屬于到達(dá)當(dāng)前節(jié)點(diǎn)所經(jīng)過的所有分支節(jié)點(diǎn)的輸出路徑的直覺模糊隸屬度的乘積，具體定義為：

其中D為樣本到達(dá)當(dāng)前節(jié)點(diǎn)之前經(jīng)過的所有分支節(jié)點(diǎn)的集合，d為集合中的一個(gè)分支節(jié)點(diǎn)，l表示分支節(jié)點(diǎn)的輸出左分支，r表示分支節(jié)點(diǎn)的輸出右分支，為樣本到達(dá)當(dāng)前節(jié)點(diǎn)所經(jīng)過的隸屬于分支節(jié)點(diǎn)d的輸出路徑的直覺模糊隸屬度。

樣本包括測試樣本和訓(xùn)練樣本，訓(xùn)練樣本包括正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，正訓(xùn)練樣本是指為目標(biāo)類別的訓(xùn)練樣本，負(fù)訓(xùn)練樣本是指為非目標(biāo)類別的訓(xùn)練樣本。若當(dāng)前節(jié)點(diǎn)為根節(jié)點(diǎn)，則D為空，無法使用式(4)計(jì)算h^％(x)。在這種情況下，當(dāng)樣本x為測試樣本時(shí)，h^％(x)＝1，當(dāng)樣本x為正訓(xùn)練樣本且正訓(xùn)練樣本的總個(gè)數(shù)為n₁且n₁為正整數(shù)時(shí)，h^％(x)＝1/n₁，當(dāng)樣本x為負(fù)訓(xùn)練樣本且負(fù)訓(xùn)練樣本的總個(gè)數(shù)為n₀且n₀為正整數(shù)時(shí)，h^％(x)＝1/n₀。

樣本到達(dá)當(dāng)前節(jié)點(diǎn)所經(jīng)過的隸屬于分支節(jié)點(diǎn)d的輸出路徑的直覺模糊隸屬度定義為：

其中為樣本隸屬于分支節(jié)點(diǎn)d的輸出左分支的直覺模糊隸屬度，為樣本隸屬于分支節(jié)點(diǎn)d的輸出右分支的直覺模糊隸屬度。根據(jù)式(4)計(jì)算時(shí)，應(yīng)當(dāng)根據(jù)樣本經(jīng)過的分支節(jié)點(diǎn)d的輸出路徑是左分支還是右分支，從式(5)中和的表達(dá)式中選擇對應(yīng)的一個(gè)代入。h(x_d)為分支節(jié)點(diǎn)d的直覺模糊輸出判決函數(shù)。

傳統(tǒng)的二叉決策樹的分支節(jié)點(diǎn)采用硬判決，其分支節(jié)點(diǎn)輸出判決函數(shù)的定義為：

其中，x_d為分支節(jié)點(diǎn)d的樣本x的特征值，τ為特征門限值。0對應(yīng)該分支節(jié)點(diǎn)輸出左分支，1對應(yīng)該分支節(jié)點(diǎn)輸出右分支。采用S型函數(shù)(即Sigmoid函數(shù))對式(19)表示的傳統(tǒng)的硬判決函數(shù)進(jìn)行模糊化。

其中x_d為分支節(jié)點(diǎn)d的樣本x的特征值，τ為特征門限值，θ為用于控制Sigmoid函數(shù)傾斜程度的常量參數(shù)，σ為特征值的標(biāo)準(zhǔn)差。

舉例說明，x_d的取值范圍為[0,1]，τ為0.4，θ＝0.25時(shí)模糊化前后的硬判決函數(shù)和模糊判決函數(shù)如圖2所示。圖中的虛線表示式(19)所定義的硬判決函數(shù)，其輸出在特征門限處發(fā)生跳變；實(shí)線表示式(7)所定義的模糊判決函數(shù)，其輸出根據(jù)樣本的特征值單調(diào)連續(xù)變化，且在特征門限處等于0.5。

然后采用直覺模糊點(diǎn)算子，進(jìn)一步將基于Sigmoid函數(shù)的模糊判決函數(shù)推廣到直覺模糊判決函數(shù)。

假設(shè)U是一個(gè)非空集合，集合U的直覺模糊集合(IFS(U))A的定義為：

A＝{<u,μ_A(u),ν_A(u)>|u∈U} (20)

其中μ_A:U→[0,1]，μ_A(u)表示集合U中元素u屬于A的隸屬度，ν_A:U→[0,1]，ν_A(u)表示集合U中元素u屬于A的非隸屬度，且對任意u有：

集合U中元素u屬于A的模糊直覺指數(shù)定義為：

π_A(u)＝1-μ_A(u)-ν_A(u) (22)

模糊直覺指數(shù)π_A(u)表示元素u相對于直覺模糊集A的不確定信息。如果π_A(u)的值很小，說明元素u屬于A的隸屬度值相對精確；如果π_A(u)的值很大，則說明元素u屬于A的隸屬度值具有較大的不確定性。與模糊集合相比，直覺模糊集合能夠體現(xiàn)隸屬、非隸屬和模糊直覺指數(shù)三方面的信息，從而有利于更好地處理不確定性的信息。

為了更好地利用模糊直覺指數(shù)中的信息，引入直覺模糊點(diǎn)算子。對于任意u∈U，令α_u,β_u∈[0,1]，且滿足α_u+β_u≤1，直覺模糊點(diǎn)算子IFS(U)→IFS(U)定義為：

直覺模糊點(diǎn)算子將直覺模糊集A轉(zhuǎn)化為帶有如下模糊直覺指數(shù)的直覺模糊集：

記則有：

以此類推，可得對于任意正整數(shù)n，若α_u+β_u≠0，則有：

若對某個(gè)u∈U，α_u+β_u＝0，即α_u＝0且β_u＝0，則有：

從式(27)以及式(28)可以看出，直覺模糊點(diǎn)算子將模糊直覺指數(shù)π_A(u)劃分為：(1-α_u-β_u)ⁿπ_A(u)，α_uπ_A(u)(1-(1-α_u-β_u)ⁿ)/(α_u+β_u)和β_uπ_A(u)(1-(1-α_u-β_u)ⁿ)/(α_u+β_u)共三部分，分別表示在原不確定信息中的未知、隸屬及非隸屬部分。

對于任意u∈U，由于α_u,β_u∈[0,1]，且滿足α_u+β_u≤1，有：

式(30)表明，直覺模糊點(diǎn)算子能夠減小直覺模糊集A的模糊直覺指數(shù)。這說明通過直覺模糊點(diǎn)算子可以從元素u相對于直覺模糊集A的不確定信息中提取出新的信息，提高不確定信息的利用程度。

經(jīng)過直覺模糊推廣得到的分支節(jié)點(diǎn)d的直覺模糊輸出判決函數(shù)h(x_d)定義為：

其中k為算子次數(shù)，為正整數(shù)，k的取值越大，消耗的計(jì)算量越大。為了計(jì)算方便，可以取k∈{1,2,3}。

式(6)中的π(z)為模糊直覺指數(shù)，根據(jù)Sugeno模糊補(bǔ)，定義為：

其中λ為常量參數(shù)，0<λ<1，例如為0.8。當(dāng)x_d≥τ時(shí)，z＝g(x_d)，當(dāng)x_d<τ時(shí)，z＝1-g(x_d)。

式(6)中的α為從模糊直覺指數(shù)中提取隸屬信息的尺度因子，β為從模糊直覺指數(shù)中提取非隸屬信息的尺度因子，定義為：

β＝1-α-π(z)

式(6)的輸出值表示樣本隸屬于分支節(jié)點(diǎn)輸出右分支的直覺模糊隸屬度。直覺模糊點(diǎn)算子能夠從不確定信息中提取新的有用信息，式(6)就是在原模糊隸屬度信息g(x_d)中加入了從模糊直覺指數(shù)π(z)中提取的隸屬信息，從而減少了原模糊隸屬度信息的不確定性。由于當(dāng)k＝0時(shí)，由式(6)可以得到h(x_d)＝g(x_d)，此時(shí)，直覺模糊判決退化為模糊判決，因此，可以認(rèn)為式(6)是對式(7)的直覺模糊推廣。

舉例說明，當(dāng)k＝1，特征門限值τ＝0.4，λ＝0.8時(shí)，分支節(jié)點(diǎn)直覺模糊輸出判決函數(shù)的圖形如圖3所示。圖中虛線表示式(7)所定義的模糊判決函數(shù)；實(shí)線表示式(6)所定義的直覺模糊判決函數(shù)。

式(6)中算子次數(shù)k和特征門限值τ的取值可以通過更新直覺模糊決策樹過程中的特征選擇準(zhǔn)則訓(xùn)練確定，也可以通過其他方式例如取經(jīng)驗(yàn)值確定。

傳統(tǒng)的二叉決策樹的分支節(jié)點(diǎn)采用硬判決，測試樣本只能根據(jù)特征屬性從左右兩個(gè)分支中選擇一個(gè)到達(dá)下一層節(jié)點(diǎn)，最終到達(dá)一個(gè)葉子節(jié)點(diǎn)，測試樣本的類別由該到達(dá)的葉子節(jié)點(diǎn)的類別決定。這樣的硬判決決策樹對樣本噪聲的魯棒性不強(qiáng)，當(dāng)樣本受到強(qiáng)噪聲干擾時(shí)，其特征值將會發(fā)生較大變化，可能導(dǎo)致樣本經(jīng)過的分支發(fā)生變化，降低決策樹的準(zhǔn)確性。

現(xiàn)有技術(shù)中提出了模糊決策樹，將模糊集理論應(yīng)用于決策樹的訓(xùn)練以及推理過程，利用模糊集理論的表示能力來提高傳統(tǒng)決策樹對于帶噪聲的數(shù)據(jù)以及不完整的數(shù)據(jù)的處理能力。盡管模糊決策樹能夠處理帶有不確定性的特征值，但是其需要對樣本特征進(jìn)行模糊語義化處理，而在目標(biāo)跟蹤中采用的樣本特征大多為數(shù)值型特征，并且特征維數(shù)較高，使得對樣本特征的模糊語義化處理變得困難。

本實(shí)施例中的直覺模糊隨機(jī)森林綜合考慮其中每個(gè)直覺模糊決策樹所計(jì)算得到的直覺模糊隸屬度來得到測試樣本的分類結(jié)果，直覺模糊隨機(jī)森林的分類性能比單個(gè)直覺模糊決策樹的分類性能好。其中的直覺模糊隨機(jī)樹采用Sigmoid函數(shù)對傳統(tǒng)決策樹的硬判決進(jìn)行模糊化，省略復(fù)雜的模糊語義化過程，并且采用直覺模糊點(diǎn)算子將模糊隸屬度推廣到直覺模糊隸屬度，提取有用信息，提高魯棒性。

如圖4所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第三實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第一實(shí)施例的基礎(chǔ)上，為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林包括：

S41：更新訓(xùn)練樣本集合。

將關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)在當(dāng)前視頻幀中對應(yīng)的目標(biāo)圖像塊作為新的正訓(xùn)練樣本加入正訓(xùn)練樣本集中，在正訓(xùn)練樣本周圍指定范圍內(nèi)選擇若干個(gè)圖像塊作為負(fù)訓(xùn)練樣本，正訓(xùn)練樣本集和負(fù)訓(xùn)練樣本組成訓(xùn)練樣本集合。本實(shí)施例中的正訓(xùn)練樣本集中可以包括可靠目標(biāo)在當(dāng)前以及之前視頻幀中所有對應(yīng)的圖像塊，也可以限制正訓(xùn)練樣本集中正訓(xùn)練樣本的數(shù)量小于或者等于指定閾值以節(jié)省存儲資源。

S42：從訓(xùn)練樣本集合中有放回地隨機(jī)采樣若干個(gè)樣本以獲取訓(xùn)練樣本子集。

這意味著訓(xùn)練樣本子集中可能有重復(fù)出現(xiàn)的同一訓(xùn)練樣本，可以避免過度擬合。

S43：利用訓(xùn)練樣本子集生成直覺模糊決策樹。

S44：判斷生成的直覺模糊決策樹的數(shù)量是否到達(dá)預(yù)設(shè)數(shù)量T。

若是，則結(jié)束流程，生成的T個(gè)直覺模糊決策樹組成了新的直覺模糊隨機(jī)森林；若否則返回步驟S42繼續(xù)循環(huán)。

本實(shí)施例可以與本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第二實(shí)施例相結(jié)合。

如圖5所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第四實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第三實(shí)施例的基礎(chǔ)上，步驟S43具體包括：

S431：初始化訓(xùn)練樣本子集中訓(xùn)練樣本隸屬于根節(jié)點(diǎn)的直覺模糊隸屬度。

訓(xùn)練樣本子集中正訓(xùn)練樣本的總個(gè)數(shù)n₁為正整數(shù)時(shí)，正訓(xùn)練樣本隸屬于根節(jié)點(diǎn)的直覺模糊隸屬度為1/n₁，訓(xùn)練樣本子集中負(fù)訓(xùn)練樣本的總個(gè)數(shù)n₀為正整數(shù)時(shí)，負(fù)訓(xùn)練樣本隸屬于根節(jié)點(diǎn)的直覺模糊隸屬度為1/n₀。

S432：對到達(dá)當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本進(jìn)行特征選擇準(zhǔn)則訓(xùn)練。

初始的當(dāng)前節(jié)點(diǎn)為根節(jié)點(diǎn)。

根據(jù)直覺模糊信息增益最大原則確認(rèn)當(dāng)前節(jié)點(diǎn)的最優(yōu)一維特征及最優(yōu)一維特征的算子次數(shù)和特征門限值的取值，最優(yōu)一維特征屬于訓(xùn)練樣本的高維特征矢量。

S433：判斷當(dāng)前節(jié)點(diǎn)是否滿足停止條件。

直覺模糊決策樹的深度越深，其消耗的存儲資源越多，需要的計(jì)算量也越大，因此，需要設(shè)計(jì)其生成過程的停止條件。停止條件可以包括：

1)到達(dá)當(dāng)前節(jié)點(diǎn)某一類別的訓(xùn)練樣本隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度的和占到達(dá)當(dāng)前節(jié)點(diǎn)全部訓(xùn)練樣本的直覺模糊隸屬度的總和的比重大于第三閾值θ_r；

2)到達(dá)當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度的總和小于第四閾值θ_l；

3)當(dāng)前節(jié)點(diǎn)在直覺模糊決策樹中的深度達(dá)到第五閾值θ_d。

若滿足以上三個(gè)條件中的任意一個(gè)，則跳轉(zhuǎn)到步驟S434，若均不滿足，則跳轉(zhuǎn)到步驟S435.

S434：將當(dāng)前節(jié)點(diǎn)轉(zhuǎn)化為葉子節(jié)點(diǎn)。

S435：使用最優(yōu)一維特征將當(dāng)前節(jié)點(diǎn)分裂生成下一層的兩個(gè)分支節(jié)點(diǎn)。

然后將分支節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)返回步驟S432繼續(xù)執(zhí)行，直至所有的當(dāng)前節(jié)點(diǎn)都變?yōu)槿~子節(jié)點(diǎn)，不再有分支節(jié)點(diǎn)生成。直覺模糊決策樹的生成過程是從根節(jié)點(diǎn)開始，以直覺模糊信息增益最大化作為特征選擇準(zhǔn)則，遞歸地構(gòu)建二叉樹的過程。

其中如圖6所示，步驟S432具體包括：

S410：從訓(xùn)練樣本的高維特征矢量中隨機(jī)選擇一個(gè)一維特征。

S420：從候選特征門限值中選擇一個(gè)，在選中的一維特征和特征門限值條件下計(jì)算算子次數(shù)取不同數(shù)值時(shí)的直覺模糊信息增益，記錄選中的一維特征、特征門限值的取值、最大的直覺模糊信息增益以及對應(yīng)的算子次數(shù)的取值。

在本發(fā)明一個(gè)實(shí)施例中，候選特征門限值可以包括對訓(xùn)練樣本的選中的一維特征的取值進(jìn)行排序后得到的相鄰兩個(gè)取值的中值，n個(gè)訓(xùn)練樣本可以得到n-1個(gè)中值。候選特征門限值也可以包括所有訓(xùn)練樣本的選中的一維特征的取值的平均值。當(dāng)然也可以是以上兩種的組合。

直覺模糊信息增益ΔH定義為：

其中X＝{x₁,x₂,...,x_n}為到達(dá)當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本的集合，n為集合X中訓(xùn)練樣本的個(gè)數(shù)。一般來說訓(xùn)練樣本能夠經(jīng)過每個(gè)分支節(jié)點(diǎn)的每條輸出路徑到達(dá)直覺模糊決策樹中的每一個(gè)節(jié)點(diǎn)，因此X即為初始化訓(xùn)練樣本子集。

H(X)為集合X的直覺模糊熵，定義為：

其中δ(·)為狄拉克函數(shù)，c_j為訓(xùn)練樣本的類別標(biāo)簽，m_i為訓(xùn)練樣本的類別，由于僅需要對目標(biāo)和非目標(biāo)進(jìn)行區(qū)分，因此共有兩類，i＝1,2。訓(xùn)練樣本隸屬于當(dāng)前節(jié)點(diǎn)的直覺模糊隸屬度h^％(x_j)的定義及計(jì)算方式可參照式(4)-(9)，需要注意的是此時(shí)式(4)-(9)中的樣本x為集合X中的訓(xùn)練樣本，使用的樣本特征、特征門限值和算子次數(shù)是屬于到達(dá)當(dāng)前節(jié)點(diǎn)之前的分支節(jié)點(diǎn)的。

H^l(X)為當(dāng)前節(jié)點(diǎn)輸出左分支所包含的訓(xùn)練樣本的集合的直覺模糊熵，定義為：

H^r(X)為當(dāng)前節(jié)點(diǎn)輸出右分支所包含的訓(xùn)練樣本的集合的直覺模糊熵，定義為：

其中為樣本隸屬于當(dāng)前節(jié)點(diǎn)的輸出左分支的直覺模糊隸屬度，為樣本隸屬于當(dāng)前節(jié)點(diǎn)的輸出右分支的直覺模糊隸屬度，其計(jì)算方式與分支節(jié)點(diǎn)d的相同，可參考式(5)-(9)，需要注意的是此時(shí)式(5)-(9)中的樣本x仍為集合X中的訓(xùn)練樣本，但使用是當(dāng)前節(jié)點(diǎn)的選中的一維特征和特征門限值，以及本次指定的算子次數(shù)。

在算子次數(shù)的取不同數(shù)值時(shí)分別計(jì)算其直覺模糊信息增益ΔH，從中找出最大的直覺模糊信息增益ΔH以記錄。

S430：為候選特征門限值中的每一個(gè)執(zhí)行前一步驟(即步驟S420)，找出并保存所有記錄中直覺模糊信息增益最大的一條。

該條記錄中包括的一維特征即為最優(yōu)一維特征，特征門限值的取值和算子次數(shù)的取值即為最優(yōu)一維特征的算子次數(shù)和特征門限值的取值。

如圖7所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第五實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第三實(shí)施例的基礎(chǔ)上，步驟S43具體包括：

S436：初始化訓(xùn)練樣本子集中訓(xùn)練樣本隸屬于根節(jié)點(diǎn)的直覺模糊隸屬度。

S437：判斷當(dāng)前節(jié)點(diǎn)是否滿足停止條件。

初始的當(dāng)前節(jié)點(diǎn)為根節(jié)點(diǎn)。

若滿足以上三個(gè)條件中的任意一個(gè)，則跳轉(zhuǎn)到步驟S438，若均不滿足，則跳轉(zhuǎn)到步驟S439。

S438：將當(dāng)前節(jié)點(diǎn)轉(zhuǎn)化為葉子節(jié)點(diǎn)。

S439：對到達(dá)當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本進(jìn)行特征選擇準(zhǔn)則訓(xùn)練，使用最優(yōu)一維特征將當(dāng)前節(jié)點(diǎn)分裂生成下一層的兩個(gè)分支節(jié)點(diǎn)。

然后將分支節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)返回步驟S437繼續(xù)執(zhí)行，直至所有的當(dāng)前節(jié)點(diǎn)都變?yōu)槿~子節(jié)點(diǎn)，不再有分支節(jié)點(diǎn)生成。

本實(shí)施例與本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第四實(shí)施例的區(qū)別在于判斷當(dāng)前節(jié)點(diǎn)是否滿足停止條件的步驟與對到達(dá)當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本進(jìn)行特征選擇準(zhǔn)則訓(xùn)練的步驟的執(zhí)行順序不同，具體內(nèi)容可參考本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第四實(shí)施例，在此不再贅述。

如圖8所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第六實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第一實(shí)施例的基礎(chǔ)上，步驟S2包括：

S21：計(jì)算觀測結(jié)果和預(yù)測結(jié)果之間的相似性度量。

相似性度量包括空間距離特征相似性度量以及外觀特征相似性度量。

通常，目標(biāo)在相鄰幀圖像之間的位置不會發(fā)生較大變化，因此，空間距離特征是能夠較為有效地匹配目標(biāo)的觀測結(jié)果與預(yù)測結(jié)果的特征之一。觀測結(jié)果d與預(yù)測結(jié)果o之間的空間距離特征相似性度量ψ₁定義為：

其中||·||₂為二范數(shù)，(xo,yo)為預(yù)測結(jié)果o的中心坐標(biāo)，(x_d,y_d)為觀測結(jié)果d的中心坐標(biāo)，h_o為預(yù)測結(jié)果o的高度，為方差常量，可以取

由于目標(biāo)的外觀可能會隨時(shí)間發(fā)生變化，單一的固定目標(biāo)模板無法形成對目標(biāo)外觀的準(zhǔn)確描述，因此，采用目標(biāo)模板集來表示目標(biāo)外觀。預(yù)測結(jié)果o對應(yīng)的目標(biāo)模板集為其中的目標(biāo)模板e_i,i＝1,...,n₂為經(jīng)過白化處理且大小縮放至h×w的之前n₂個(gè)視頻幀中的關(guān)聯(lián)/匹配對象圖像塊，n₂為目標(biāo)模板集中包括的目標(biāo)模板的總數(shù)。為了存儲和計(jì)算方便，對目標(biāo)模板集中所包含的目標(biāo)模板的數(shù)量進(jìn)行限制，n₂小于或等于第七閾值γ，可以取γ＝5。

觀測結(jié)果d與預(yù)測結(jié)果o之間的外觀特征相似性度量ψ₂定義為：

其中s(·)為觀測結(jié)果d與目標(biāo)模板e_i之間的歸一化相關(guān)性度量，定義為：

其中d(x,y)為觀測結(jié)果d在坐標(biāo)(x,y)處的灰度值，e_i(x,y)為目標(biāo)模板e_i在坐標(biāo)(x,y)處的灰度值，并且觀測結(jié)果d也經(jīng)過白化處理且大小縮放至h×w。s的取值范圍為[0,1]。

S22：利用相似性度量計(jì)算觀測結(jié)果和預(yù)測結(jié)果之間的關(guān)聯(lián)代價(jià)。

觀測結(jié)果d與預(yù)測結(jié)果o之間的關(guān)聯(lián)代價(jià)定義為：

ρ_o,d＝1-ψ₁×ψ₂ (17)

S23：利用關(guān)聯(lián)代價(jià)計(jì)算觀測結(jié)果和預(yù)測結(jié)果之間的最優(yōu)關(guān)聯(lián)矩陣作為關(guān)聯(lián)結(jié)果。

所有觀測結(jié)果組成的集合為D＝{d₁,...,d_p}，所有預(yù)測結(jié)果組成的集合為O＝{o₁,...,o_q}，觀測結(jié)果和預(yù)測結(jié)果的總關(guān)聯(lián)代價(jià)定義為：

其中ρ_ij為式(17)定義的觀測結(jié)果d_i與預(yù)測結(jié)果o_j之間的關(guān)聯(lián)代價(jià)，A＝[a_ij]_p×q為觀測結(jié)果和預(yù)測結(jié)果之間的關(guān)聯(lián)矩陣，關(guān)聯(lián)矩陣中的任一元素a_ij∈{0,1}，當(dāng)a_ij＝1時(shí)，表示觀測結(jié)果d_i與預(yù)測結(jié)果o_j關(guān)聯(lián)成功。

由于一個(gè)觀測僅能夠與一個(gè)目標(biāo)相關(guān)聯(lián)，并且一個(gè)目標(biāo)也僅能夠與一個(gè)觀測相關(guān)聯(lián)，求解得到使得觀測結(jié)果和預(yù)測結(jié)果的總關(guān)聯(lián)代價(jià)最小的關(guān)聯(lián)矩陣A₀即為最優(yōu)關(guān)聯(lián)矩陣?？梢允褂眯傺览惴ㄇ蠼獾玫疥P(guān)聯(lián)結(jié)果。

如圖9所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第七實(shí)施例，是在本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法第六實(shí)施例的基礎(chǔ)上，步驟S3之后進(jìn)一步包括：

S5：為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新目標(biāo)模板集。

將可靠目標(biāo)當(dāng)前幀關(guān)聯(lián)成功或匹配成功的關(guān)聯(lián)/匹配對象圖像塊經(jīng)過白化處理且大小縮放至h×w之后加入該可靠目標(biāo)的目標(biāo)模板集中。若加入之前目標(biāo)模板集中目標(biāo)模板的數(shù)量等于第七閾值，則刪除目標(biāo)模板集中最早加入的目標(biāo)模板。

本步驟與步驟S4的執(zhí)行可以是相互獨(dú)立的，也可以是同時(shí)進(jìn)行的。

下面為使用本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤方法一實(shí)施例進(jìn)行實(shí)驗(yàn)驗(yàn)證比較的結(jié)果，本實(shí)施例是本發(fā)明第一至第四、第六與第七實(shí)施例的結(jié)合，并采用卡爾曼濾波器對有效目標(biāo)軌跡和臨時(shí)目標(biāo)軌跡進(jìn)行濾波和預(yù)測，是一種基于直覺模糊隨機(jī)森林的視頻多目標(biāo)跟蹤(IFRFMOT)算法。本實(shí)施例的IFRFMOT算法選用的模型參數(shù)包括：目標(biāo)模板的大小為64×32。直覺模糊隨機(jī)森林由10個(gè)直覺模糊決策樹組成，每個(gè)直覺模糊決策樹的最大深度為7。直覺模糊隨機(jī)森林以RGB顏色通道圖像作為樣本特征。

實(shí)驗(yàn)對象采用2個(gè)具有代表性的公開的測試視頻TownCentre與PETS.S2L2，2個(gè)測試視頻均為公共場景下的監(jiān)控視頻。為了能夠全面、準(zhǔn)確地評估本實(shí)施例的IFRFMOT算法的跟蹤性能，采用了6個(gè)常用的跟蹤性能評價(jià)指標(biāo)，即目標(biāo)標(biāo)簽變化次數(shù)(identity switch,IDS)、多目標(biāo)跟蹤準(zhǔn)確性(Multiple Object Tracking Accuracy,MOTA)、多目標(biāo)跟蹤精度(Multiple Object Tracking Precision,MOTP)、長時(shí)間跟蹤的目標(biāo)比例(Mostly tracked,MT)、短時(shí)間跟蹤的目標(biāo)比例(Mostly lost,ML)以及目標(biāo)軌跡斷開次數(shù)(Fragmentation,FG)，其中MOTA、MOTP以及MT的數(shù)值越大則說明跟蹤性能越好，而IDS、ML以及FG的數(shù)值越小則說明跟蹤性能越好。本實(shí)施例將與TC_ODAL算法(Bae S H,Yoon K J.Robust online multi-object tracking based on tracklet confidence and online discriminative appearance learning[C].in IEEE Conference on Computer Vision and Pattern Recognition,Columbus,OH,2014:1218-1225)、MDP算法(Xiang Y,Alahi A,Savarese S.Learning to track:Online multi-object tracking by decision making[C].in IEEE International Conference on Computer Vision,2015:4705-4713)、MHT算法(Kim C,Li F,Ciptadi A,et al.Multiple hypothesis tracking revisited[C].in IEEE International Conference on Computer Vision,2015:4696-4704)以及以相同的樣本特征和模型參數(shù)實(shí)現(xiàn)的基于硬判決決策樹的隨機(jī)森林的視頻多目標(biāo)跟蹤算法(RFMOT)進(jìn)行性能對比。

針對測試視頻TownCentre，本實(shí)施例的IFRFMOT算法以及對比算法的實(shí)驗(yàn)結(jié)果如表1所示。

表1

從表1可以看出，IFRFMOT算法在MOTA指標(biāo)上要明顯優(yōu)于對比算法，說明IFRFMOT算法出現(xiàn)跟蹤錯誤的次數(shù)比對比算法要少。與TC_ODAL算法相比，IFRFMOT算法在ML指標(biāo)上改善了39.1％，在MT指標(biāo)上提高了16.7％；與MDP算法相比，IFRFMOT算法在ML指標(biāo)上改善了6.2％，在MT指標(biāo)上提高了1.3％；與MHT算法相比，IFRFMOT算法在ML指標(biāo)上改善了14.1％，在MT指標(biāo)上取得了相同的準(zhǔn)確率。說明IFRFMOT算法不僅準(zhǔn)確跟蹤的目標(biāo)數(shù)更多而且輸出的目標(biāo)軌跡也較為完整。與RFMOT算法相比，IFRFMOT算法在ML指標(biāo)上改進(jìn)了0.9％，在MT指標(biāo)上提升了0.4％，在IDS指標(biāo)上減少了9次目標(biāo)標(biāo)簽分配錯誤。這一結(jié)果進(jìn)一步驗(yàn)證了直覺模糊隨機(jī)森林的有效性。受高頻率遮擋以及目標(biāo)軌跡交叉的影響，IFRFMOT算法在IDS指標(biāo)上要差于TC_ODAL算法、MDP算法以及MHT算法，但I(xiàn)FRFMOT算法估計(jì)出了60％的目標(biāo)軌跡，IFRFMOT算法同時(shí)準(zhǔn)確跟蹤的目標(biāo)數(shù)要比上述3個(gè)對比算法多。由于訓(xùn)練樣本的數(shù)量較少，盡管IFRFMOT算法能夠?qū)βz目標(biāo)進(jìn)行在線跟蹤，但是其候選結(jié)果定位不精確，加上目標(biāo)的非線性運(yùn)動導(dǎo)致所采用的卡爾曼濾波器的濾波效果下降，IFRFMOT算法在FG指標(biāo)上要差于對比算法。

針對測試視頻PETS.S2L2，本實(shí)施例的IFRFMOT算法以及對比算法的實(shí)驗(yàn)結(jié)果如表2所示。

表2

從表2可以看出，IFRFMOT算法在MOTA指標(biāo)上要明顯優(yōu)于對比算法，說明IFRFMOT算法出現(xiàn)跟蹤錯誤的次數(shù)比對比算法要少。同樣，IFRFMOT算法在ML指標(biāo)上要明顯優(yōu)于對比算法。與TC_ODAL算法相比，IFRFMOT算法在ML指標(biāo)上的改進(jìn)達(dá)到了20.9％，說明IFRFMOT算法所準(zhǔn)確跟蹤的目標(biāo)軌跡要多于對比算法。同時(shí)，與TC_ODAL算法相比，IFRFMOT算法在MT指標(biāo)上提高了16.3％；與MDP算法相比，IFRFMOT算法在MT指標(biāo)上提高了9.3％；與MHT算法相比，IFRFMOT算法在MT指標(biāo)上略低2.3％，說明IFRFMOT算法不僅準(zhǔn)確跟蹤的目標(biāo)數(shù)更多而且輸出目標(biāo)軌跡也較為完整。與RFMOT算法相比，IFRFMOT算法在ML指標(biāo)上改進(jìn)了2.3％，在MT指標(biāo)上提升了2.3％，在IDS指標(biāo)上減少了15次目標(biāo)標(biāo)簽分配錯誤。這一結(jié)果進(jìn)一步驗(yàn)證了直覺模糊隨機(jī)森林模型的有效性。盡管視頻PETS.S2L2中存在大量目標(biāo)漏檢以及虛假觀測，IFRFMOT算法在IDS指標(biāo)以及FG指標(biāo)上僅次于MHT算法，而好于其他對比算法。

采用MATLAB編程語言實(shí)現(xiàn)IFRFMOT算法，實(shí)驗(yàn)平臺為Intel雙核3.6GHz處理器以及8GB內(nèi)存的臺式機(jī)。IFRFMOT算法與對比算法在測試視頻上的平均處理速度如表3所示。表3的統(tǒng)計(jì)結(jié)果中已排除運(yùn)動檢測所消耗的處理時(shí)間。

表3

從表3可以看出，IFRFMOT算法在運(yùn)算效率上略差于對比算法，但是，由于直覺模糊隨機(jī)森林中每個(gè)直覺模糊決策樹的訓(xùn)練過程是相互獨(dú)立的，其運(yùn)算過程可以通過并行化處理進(jìn)行加速，因此，若采用更高效的C語言編程實(shí)現(xiàn)，并且利用多CPU或者GPU進(jìn)行并行計(jì)算，可以進(jìn)一步提升IFRFMOT算法的運(yùn)算效率。

針對目標(biāo)軌跡眾多并且背景干擾較強(qiáng)的測試視頻TownCentre，以及目標(biāo)密度較大并且光照變化明顯的測試視頻PETS.S2L2，IFRFMOT算法在多目標(biāo)跟蹤準(zhǔn)確性、長時(shí)間跟蹤的目標(biāo)比例以及短時(shí)間跟蹤的目標(biāo)比例上均取得了優(yōu)于或者接近于對比算法的跟蹤性能，主要是因?yàn)楸M管測試視頻中存在由于背景干擾和光照變化所導(dǎo)致的目標(biāo)特征的不確定性以及由于目標(biāo)間高頻率遮擋而導(dǎo)致的大量目標(biāo)漏檢，由于IFRFMOT算法將基于硬判決的隨機(jī)森林推廣到了直覺模糊隨機(jī)森林，能夠更好的處理特征描述的不確定性，對不同的目標(biāo)以及目標(biāo)與背景進(jìn)行有效區(qū)分。因此，即使原本穩(wěn)定跟蹤的目標(biāo)被漏檢，本實(shí)施例的IFRFMOT算法仍然能夠利用直覺模糊隨機(jī)森林對其進(jìn)行在線跟蹤。

如圖10所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置第一實(shí)施例包括：

檢測模塊11，用于對當(dāng)前視頻幀進(jìn)行運(yùn)動檢測，檢測得到的可能運(yùn)動對象作為觀測結(jié)果。

關(guān)聯(lián)模塊12，用于對觀測結(jié)果和目標(biāo)的預(yù)測結(jié)果進(jìn)行關(guān)聯(lián)，其中預(yù)測結(jié)果是至少利用前一視頻幀的目標(biāo)的軌跡進(jìn)行預(yù)測而得到的，目標(biāo)包括可靠目標(biāo)及臨時(shí)目標(biāo)。

管理模塊13，用于對未被關(guān)聯(lián)的觀測結(jié)果和預(yù)測結(jié)果進(jìn)行軌跡管理，其中包括對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配。

更新模塊14，用于利用關(guān)聯(lián)結(jié)果和匹配結(jié)果獲取當(dāng)前幀的目標(biāo)的軌跡，其中包括對匹配成功的可靠目標(biāo)利用其匹配成功的候選結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡；利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，并為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林。

如圖11所示，本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置第二實(shí)施例包括：處理器110和攝像機(jī)120。攝像機(jī)120可以為本地?cái)z像機(jī)，處理器110通過總線連接攝像機(jī)120；攝像機(jī)120也可以為遠(yuǎn)程攝像機(jī)，處理器110通過局域網(wǎng)或互聯(lián)網(wǎng)連接攝像機(jī)120。

處理器110控制基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置的操作，處理器110還可以稱為CPU(Central Processing Unit，中央處理單元)。處理器110可能是一種集成電路芯片，具有信號的處理能力。處理器110還可以是通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。

基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置可以進(jìn)一步包括存儲器(圖中未畫出)，存儲器用于存儲處理器110工作所必需的指令及數(shù)據(jù)，也可以存儲傳輸器120拍攝的視頻數(shù)據(jù)。

處理器110用于對從攝像機(jī)120獲取的當(dāng)前視頻幀進(jìn)行運(yùn)動檢測，檢測得到的可能運(yùn)動對象作為觀測結(jié)果；對觀測結(jié)果和目標(biāo)的預(yù)測結(jié)果進(jìn)行關(guān)聯(lián)，其中預(yù)測結(jié)果是至少利用前一視頻幀的目標(biāo)的軌跡進(jìn)行預(yù)測而得到的，目標(biāo)包括可靠目標(biāo)及臨時(shí)目標(biāo)；對未被關(guān)聯(lián)的觀測結(jié)果和預(yù)測結(jié)果進(jìn)行軌跡管理，其中包括對未被關(guān)聯(lián)的可靠目標(biāo)的預(yù)測結(jié)果進(jìn)行在線跟蹤獲取候選結(jié)果，利用未被關(guān)聯(lián)的可靠目標(biāo)的直覺模糊隨機(jī)森林對候選結(jié)果進(jìn)行匹配；利用關(guān)聯(lián)結(jié)果和匹配結(jié)果獲取當(dāng)前幀的目標(biāo)的軌跡，其中包括對匹配成功的可靠目標(biāo)利用其匹配成功的候選結(jié)果對其預(yù)測結(jié)果進(jìn)行濾波更新以獲取軌跡；利用當(dāng)前幀的目標(biāo)的軌跡進(jìn)行預(yù)測，并為關(guān)聯(lián)成功或匹配成功的可靠目標(biāo)更新直覺模糊隨機(jī)森林。

本發(fā)明基于直覺模糊隨機(jī)森林的目標(biāo)跟蹤裝置包括的各部分的功能可參考本發(fā)明在線目標(biāo)跟蹤方法各對應(yīng)實(shí)施例中的描述，在此不再贅述。

以上所述僅為本發(fā)明的實(shí)施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。