基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種目標(biāo)跟蹤領(lǐng)域的算法，具體是基于概率假設(shè)密度的目標(biāo)數(shù)變 化的視頻跟蹤算法。
【背景技術(shù)】
[0002] 視頻目標(biāo)跟蹤廣泛應(yīng)用于軍事和民用方面，如在軍事方面的各種防衛(wèi)系統(tǒng)：戰(zhàn)場 監(jiān)視系統(tǒng)，機載火力控制系統(tǒng)等，民用方面包括汽車、個人GPS導(dǎo)航系統(tǒng)等。視頻目標(biāo)跟蹤 的目的是根據(jù)目標(biāo)的特征如位置、速度、色彩、形狀、紋理等以及目標(biāo)描述模型在連續(xù)圖像 幀間建立對應(yīng)關(guān)系，進而獲得目標(biāo)位置和形狀等目標(biāo)狀態(tài)信息。一般視頻目標(biāo)跟蹤方法可 以分成兩類：（1)數(shù)據(jù)驅(qū)動算法，直接建立目標(biāo)模板和候選區(qū)域的相似度函數(shù)，利用匹配運 算或優(yōu)化算法將跟蹤問題轉(zhuǎn)化為局部的迭代尋優(yōu)問題，如Mean-shift跟蹤；（2)基于模型 的概率跟蹤算法，該類方法將目標(biāo)跟蹤問題轉(zhuǎn)換為目標(biāo)狀態(tài)估計問題，目標(biāo)狀態(tài)的所有信 息均包含于狀態(tài)的后驗密度中，目標(biāo)狀態(tài)后驗密度可根據(jù)貝葉斯濾波來求解，如粒子濾波 跟蹤。
[0003] 在單目標(biāo)跟蹤場景下，貝葉斯濾波首先預(yù)測目標(biāo)狀態(tài)的概率密度，然后利用當(dāng)前 幀的新量測對預(yù)測狀態(tài)概率密度進行更新獲得狀態(tài)后驗概率密度。在線性高斯條件下，貝 葉斯濾波的閉合形式的遞推方法等同于卡爾曼濾波。在非線性非高斯條件下，貝葉斯濾波 的有效的實現(xiàn)方法是粒子濾波算法。
[0004] 在多目標(biāo)跟蹤場景下，1994年Mahler首次系統(tǒng)地針對多傳感器多目標(biāo)跟蹤問題 提出了有限集統(tǒng)計理論，并以此為數(shù)學(xué)理論基礎(chǔ)提出隨機有限集框架下的多目標(biāo)貝葉斯濾 波。2000年Mahler結(jié)合點過程理論給出了 Possion條件下近似的隨機有限集的一階矩遞 推濾波公式，從而得到了多目標(biāo)貝葉斯濾波的近似即PHD濾波器。2005年，Ba-Ngu Vo等給 出PHD濾波器在線性高斯條件下的解析解，GM-PHD方法即高斯混合PHD (GM-PHD)，已用于各 種傳感器的目標(biāo)跟蹤問題。GM-PHD借鑒了高斯混合濾波算法的思想，具有計算量小，強大的 去除雜波能力，狀態(tài)抽取可靠，易于處理多目標(biāo)跟蹤中目標(biāo)的消亡和遮擋等優(yōu)點。但該方法 有兩個缺點：（1)由于GM-PHD的輸出為狀態(tài)估計的隨機集，無法給出目標(biāo)身份（航跡）特 征信息；（2)無法跟蹤位置未知的新生目標(biāo)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)中存在的上述不足，提出一種基于概率假設(shè)密度的目標(biāo)數(shù)變 化的視頻跟蹤算法。該算法能夠有效跟蹤數(shù)目變化的多目標(biāo)，尤其能夠跟蹤位置未知的新 生目標(biāo)，并能夠產(chǎn)生目標(biāo)航跡。該算法改進了 GM-PHD濾波的性能，能夠在目標(biāo)數(shù)發(fā)生變化 和目標(biāo)發(fā)生交叉情況下，取得較為魯棒的估計狀態(tài)，并能夠識別目標(biāo)航跡。
[0006] 本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括以下步驟：
[0007] 第一步，采用運動檢測方法，實現(xiàn)運動目標(biāo)的快速有效分割，提取前景目標(biāo)的質(zhì) 心，尺寸作為目標(biāo)量測，并建立目標(biāo)模型。
[0008] 所述的目標(biāo)模型包括目標(biāo)狀態(tài)模型和觀測模型。
[0009] 第二步，利用運動檢測結(jié)果設(shè)計新生目標(biāo)強度更新方法，用以產(chǎn)生新生目標(biāo)強度 函數(shù)。
[0010] 第三步，使用步驟2得到的更新后的新生目標(biāo)強度進行PHD預(yù)測。
[0011] 所述的PHD預(yù)測，具體是：對新產(chǎn)生目標(biāo)預(yù)測，對孵化目標(biāo)預(yù)測以及對繼續(xù)存在目 標(biāo)進行預(yù)測。
[0012] 第四步，對檢測到的目標(biāo)進行更新，即使用步驟1得到的量測隨機集對預(yù)測PHD進 行更新。
[0013] 所述的PHD的更新，具體是：對未檢測到的目標(biāo)預(yù)測高斯元的更新和由量測對檢 測到的目標(biāo)預(yù)測高斯元的更新。
[0014] 第五步，對以上輸出的更新后高斯元進行修剪，主要任務(wù)是對于距離很近的高斯 元進行合并，對極小權(quán)值的高斯元進行刪除。
[0015] 第六步，狀態(tài)抽取，對于高斯元的權(quán)值大于閾值（一般取0. 5)，其所對應(yīng)的期望值 作為目標(biāo)狀態(tài)，輸出估計的目標(biāo)數(shù)和狀態(tài)。
[0016] 第七步，采用auction的航跡識別方法進行"航跡-狀態(tài)估計"關(guān)聯(lián)以識別目標(biāo)航 跡，輸出帶有身份標(biāo)識的航跡。
[0017] 與現(xiàn)有的技術(shù)相比，本發(fā)明的有益效果是：該算法能夠有效跟蹤數(shù)目變化的多目 標(biāo)，尤其能夠跟蹤位置未知的新生目標(biāo)，并能夠產(chǎn)生目標(biāo)航跡。該算法改進了 GM-PHD濾波 的性能，能夠在目標(biāo)數(shù)發(fā)生變化和目標(biāo)發(fā)生交叉情況下，取得較為魯棒的估計狀態(tài)，并能夠 識別目標(biāo)航跡。
【附圖說明】
[0018] 圖1是目標(biāo)數(shù)變化的目標(biāo)跟蹤系統(tǒng)框圖。
[0019] 圖 2 是運動檢測結(jié)果（第 290, 312, 340, 382, 735, 930 幀）。
[0020] 圖 3 是原 GM-PHD 跟蹤結(jié)果（第 29〇, 312, 340, 382, 735, 93〇 幀）。
[0021] 圖4是本文算法跟蹤結(jié)果（第290, 312, 340, 382, 735, 930幀）。
[0022] 圖5是OSPA距離比較曲線。
[0023] 圖6是實施例中參數(shù)的設(shè)置。
【具體實施方式】
[0024] 下面結(jié)合附圖對本發(fā)明的實施例作詳細(xì)說明：本實施例在以本發(fā)明技術(shù)方案為前 提下進行實施，給出了詳細(xì)的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下 述的實施例。
[0025] 實施例
[0026] 本實施例采用行人檢測視頻數(shù)據(jù)庫"0neShop0neWait2front"來實施。圖6給出 了實施例中主要參數(shù)的設(shè)置值。本實施例采用一個wXh矩形表示目標(biāo)區(qū)域，則目標(biāo)狀態(tài) 向量可以表示為，叉 15=(口〇!￡，15，卩(^，15，￥!￡， 15^，15，'\￥，11)'其中？〇15=(口〇!￡， 15，？(^，15)為矩形的中心， Vk= (Vx，k，Vy，k)為目標(biāo)中心在圖像的水平和堅直方向的速度，目標(biāo)的一個觀測向量為Zk = (p〇k，w，h)T。假設(shè)k時亥Ij描述后驗PHD的高斯元參數(shù)為[<，!<>,，設(shè)k+1時亥Ij量測隨 機集為Ζ?+1={4+1!?Τ,其中，Jk，mp，cf,分別為k時刻后驗PHD的高斯元數(shù)目，第i 個高斯元的均值，權(quán)值及相應(yīng)的協(xié)方差。假設(shè)k時刻新生目標(biāo)集為，其高斯元參數(shù) 為 KKd。
[0027] 第一步，采用運動檢測方法計算目標(biāo)位置，大小等參數(shù)，實現(xiàn)運動目標(biāo)的快速有效 分割，提取前景目標(biāo)的質(zhì)心坐標(biāo)，長和寬作為目標(biāo)量測向量，并建立目標(biāo)狀態(tài)模型和觀測模 型。
[0028] 所述的目標(biāo)狀態(tài)模型采用線性高斯常速模型來建模，具體是：
[0029] Xk=Fxk-Auk (1)
[0030] 其中，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣，Uk為零均值協(xié)方差為Q v的高斯白噪聲序列，
【主權(quán)項】
1. 一種基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征在于，包括以下步 驟： 第一步，采用運動檢測方法，實現(xiàn)運動目標(biāo)的快速有效分割，提取前景目標(biāo)的質(zhì)心，尺 寸作為目標(biāo)量測，并建立目標(biāo)模型； 第二步，利用運動檢測結(jié)果設(shè)計新生目標(biāo)強度更新方法，用以產(chǎn)生新生目標(biāo)強度函 數(shù)； 第三步，使用步驟2得到的更新后的新生目標(biāo)強度進行PHD預(yù)測； 第四步，對檢測到的目標(biāo)進行更新，即使用步驟1得到的量測隨機集對預(yù)測PHD進行更 新； 第五步，對以上輸出的更新后高斯元進行修剪，主要任務(wù)是對于距離很近的高斯元進 行合并，對極小權(quán)值的高斯元進行刪除； 第六步，狀態(tài)抽取，對于高斯元的權(quán)值大于閾值（一般取〇. 5)，其所對應(yīng)的期望值作為 目標(biāo)狀態(tài)，輸出估計的目標(biāo)數(shù)和狀態(tài)； 第七步，采用auction的航跡識別方法進行"航跡-狀態(tài)估計"關(guān)聯(lián)以識別目標(biāo)航跡， 輸出帶有身份標(biāo)識的航跡。
2. 根據(jù)權(quán)利要求1所述的基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征 是，所述的目標(biāo)模型包括目標(biāo)狀態(tài)模型和觀測模型，具體是， Xk - Fx H+Uk， Zk - Hx k+wk, 其中，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣，uk為零均值協(xié)方差為Qv的高斯白噪聲序列，H為觀測矩陣， wk為零均值協(xié)方差矩陣為Q ￥的高斯白噪聲。
3. 根據(jù)權(quán)利要求1所述的基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征 是，所述的更新的新生目標(biāo)強度更新方法，具體是：計算當(dāng)前幀量測和上一幀量測的巴氏距 離，保留連續(xù)5幀圖像中巴氏距離小的量測鈐丨+1^；，計算·^丨+1}3與上一幀航跡UDS的 巴氏距離，選擇巴氏距離大的量測為準(zhǔn)新生目標(biāo)量測·?<?+1 ，并由準(zhǔn)新生目標(biāo)量測構(gòu)造 新生目標(biāo)高斯元，與上一幀的新生目標(biāo)高斯元合并以得到更新的新生目標(biāo)強度。
4. 根據(jù)權(quán)利要求1所述的基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征 是，所述的PHD預(yù)測，具體是：對更新后的新生目標(biāo)預(yù)測，對孵化目標(biāo)預(yù)測以及對繼續(xù)存在 目標(biāo)進行預(yù)測。
5. 根據(jù)權(quán)利要求1所述的基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征 是，所述的PHD的更新，具體是：對未檢測到的目標(biāo)預(yù)測高斯元的更新和由量測對檢測到的 目標(biāo)預(yù)測高斯元的更新。
6. 根據(jù)權(quán)利要求1所述的基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，其特征 是，所述的基于auction的航跡識別方法，具體是：將目標(biāo)航跡識別問題可以看作二維分配 問題，即將當(dāng)前k+Ι時刻的目標(biāo)狀態(tài)估計X k+1分配給上一個時刻k已確認(rèn)的目標(biāo)航跡T k，而 最優(yōu)二維分配的求解可轉(zhuǎn)化為求取關(guān)聯(lián)代價函數(shù)和的極小值。
7. 根據(jù)權(quán)利要求6所述的基于auction的航跡識別方法，其特征是，所述的關(guān)聯(lián)代價函 數(shù)采用巴氏距離衡量目標(biāo)的位置和大小的相似性來建立，具體是，
其中，Cy為航跡t/:和狀態(tài)4+1相關(guān)聯(lián)的代價，
己氏距離，
為Bhattacharyya系數(shù)，As的取值分別為向量夂 +1中的位置和尺 寸值{/w.U+i，/wk+i，<1，￥+1 丨，Bs取值為A-，w/，Zz/ }。
8.根據(jù)權(quán)利要求6所述的基于auction的航跡識別方法，其特征是，所述的最優(yōu)二維 分配的求解采用auction優(yōu)化算法，具體是，遍歷計算所有狀態(tài)估計{X丨+1},1I i1*1與確認(rèn)航跡 的關(guān)聯(lián)代價，生成Nk+1 XLk的二維關(guān)聯(lián)矩陣，并利用auction優(yōu)化算法實現(xiàn)當(dāng)前幀狀 態(tài)和確認(rèn)航跡的最優(yōu)配對，從而完成當(dāng)前幀多目標(biāo)狀態(tài)的航跡識別。
【專利摘要】本發(fā)明公開了一種基于概率假設(shè)密度的目標(biāo)數(shù)變化的視頻跟蹤算法，包括以下步驟：采用運動檢測方法，實現(xiàn)運動目標(biāo)的快速有效分割產(chǎn)生目標(biāo)量測；利用運動檢測結(jié)果設(shè)計新生目標(biāo)強度更新方法以產(chǎn)生新生目標(biāo)強度函數(shù)；對PHD進行預(yù)測并更新；對更新后高斯元進行修剪；狀態(tài)抽取，輸出估計的目標(biāo)數(shù)和狀態(tài)；采用auction的航跡識別方法進行“航跡-狀態(tài)估計”關(guān)聯(lián)以識別目標(biāo)航跡，輸出帶有身份標(biāo)識的航跡。本發(fā)明能夠有效跟蹤數(shù)目變化的多目標(biāo)，尤其能夠跟蹤位置未知的新生目標(biāo)，并能夠產(chǎn)生目標(biāo)航跡。該算法改進了GM-PHD濾波的性能，能夠在目標(biāo)數(shù)發(fā)生變化和目標(biāo)發(fā)生交叉情況下，取得較為魯棒的估計狀態(tài)，并能夠識別目標(biāo)航跡。
【IPC分類】G06T7-20
【公開號】CN104637070
【申請?zhí)枴緾N201410779080
【發(fā)明人】吳靜靜, 宋淑娟, 尤麗華, 王金華
【申請人】江南大學(xué)
【公開日】2015年5月20日
【申請日】2014年12月15日