亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法

文檔序號:6598715閱讀:259來源:國知局
專利名稱:一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法
技術(shù)領(lǐng)域
本發(fā)明屬于視頻多目標(biāo)跟蹤技術(shù)領(lǐng)域,涉及一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法。

背景技術(shù)
在多運(yùn)動目標(biāo)的視頻監(jiān)控中,需要根據(jù)檢測結(jié)果進(jìn)行數(shù)據(jù)關(guān)聯(lián)來匹配、識別出連續(xù)幀間的不同運(yùn)動目標(biāo),從而實現(xiàn)多目標(biāo)的跟蹤。視頻監(jiān)控中往往需要對較大范圍的場景進(jìn)行監(jiān)控,常出現(xiàn)運(yùn)動目標(biāo)外觀特征相似或目標(biāo)區(qū)域較小的情況,此時數(shù)據(jù)關(guān)聯(lián)僅能依靠目標(biāo)的運(yùn)動特征完成,而傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)方法應(yīng)用于視頻多目標(biāo)跟蹤還存在很多問題。
目前解決多運(yùn)動目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問題,主要的方法有1)根據(jù)最近鄰方法,計算落入跟蹤門限內(nèi)的量測,判定目標(biāo)的運(yùn)動情況,并根據(jù)有效量測直接估計、更新當(dāng)前運(yùn)動狀態(tài),這種方法計算量小,但在目標(biāo)數(shù)目較多、運(yùn)動情況復(fù)雜時,抗干擾能力差,容易產(chǎn)生錯誤關(guān)聯(lián);2)雜波環(huán)境下多目標(biāo)數(shù)據(jù)關(guān)聯(lián)方法如聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JointProbability Data Assocaition,JPDA)、多假設(shè)跟蹤(Multiple Hypothesis Tracking,MHT),目前多用于紅外、雷達(dá)小目標(biāo)或機(jī)動目標(biāo)跟蹤系統(tǒng),雖然和視頻監(jiān)控跟蹤有相似性,但須滿足一對一關(guān)聯(lián)的約束,而在視頻監(jiān)控跟蹤系統(tǒng)中,多運(yùn)動目標(biāo)常發(fā)生新出現(xiàn)、消失、遮擋、分離等復(fù)雜運(yùn)動情況,即出現(xiàn)一對多或多對一的關(guān)聯(lián)情況,因此需進(jìn)一步研究這些經(jīng)典的多目標(biāo)數(shù)據(jù)關(guān)聯(lián)方法如何應(yīng)用于視頻多目標(biāo)跟蹤;3)采用優(yōu)化算法分析當(dāng)前幀檢測區(qū)域與跟蹤目標(biāo)的最優(yōu)關(guān)聯(lián),如采用的圖優(yōu)化、賦權(quán)二分圖等方法,但此類方法通常需要獲取遮擋或分離區(qū)域外觀特征進(jìn)行匹配優(yōu)化計算,在目標(biāo)區(qū)域小、外觀信息少的情況下,難以得到目標(biāo)外觀特征,從而使得關(guān)聯(lián)準(zhǔn)確性低。


發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法,能提高跟蹤的有效性、可靠性和實時性。
本發(fā)明是通過以下技術(shù)方案實現(xiàn)的 一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法,其特征在于,包括以下步驟 步驟1根據(jù)當(dāng)前幀圖像的檢測結(jié)果產(chǎn)生確認(rèn)矩陣; 步驟2采用簡化的murty算法獲得確認(rèn)矩陣對應(yīng)的聯(lián)合事件及參數(shù); 步驟3計算k時刻所有量測的聯(lián)合事件的條件概率;k的取值從跟蹤開始時刻計算; 步驟4計算量測與目標(biāo)t的關(guān)聯(lián)概率βkj,t,βk0,t;用于評估量測與目標(biāo)關(guān)聯(lián)的可能性大??;βkj,t為k時刻有效量測j和目標(biāo)t的關(guān)聯(lián)概率,βk0,t為k時刻虛量測和目標(biāo)t的關(guān)聯(lián)概率; 步驟5通過Kalman濾波器,得到目標(biāo)的狀態(tài)估計及協(xié)方差陣根據(jù)步驟4計算的關(guān)聯(lián)概率,分析目標(biāo)的運(yùn)動狀態(tài)及與上一幀目標(biāo)的關(guān)聯(lián)情況,包括五種情況正常、新出現(xiàn)、消失、遮擋、分離,并根據(jù)上述五種情況得到目標(biāo)的狀態(tài)估計值,即獲得目標(biāo)在當(dāng)前幀x、y方向的位置和速度,完成視頻多目標(biāo)跟蹤;協(xié)方差陣是目標(biāo)的估計狀態(tài)和真實狀態(tài)的偏差,表征跟蹤的精確性; 步驟5完成后返回到步驟1對下一幀圖像進(jìn)行跟蹤; 所述步驟1的確認(rèn)矩陣為Ω;表示當(dāng)前幀有效量測與目標(biāo)跟蹤門間的關(guān)系,定義為 式中,t表示目標(biāo),j表示量測,ωjt表示目標(biāo)t與量測j的關(guān)系;N表示跟蹤目標(biāo)的個數(shù),m表示量測的個數(shù),確認(rèn)矩陣Ω的行表示當(dāng)前幀量測,列表示跟蹤目標(biāo),其中表示當(dāng)前幀量測j落入跟蹤目標(biāo)t的跟蹤門內(nèi);表示量測j沒有落入目標(biāo)t的跟蹤門內(nèi),并令t=0表示虛警;對應(yīng)Ω第一列的所有元素為1,用于表示當(dāng)前幀任一量測都有可能源于當(dāng)前檢測錯誤產(chǎn)生的虛警; 所述步驟2的具體步驟為 包括如下步驟 步驟a根據(jù)確認(rèn)矩陣,構(gòu)建目標(biāo)、量測的賦權(quán)二分圖,得到待匹配矩陣 步驟b應(yīng)用匈牙利算法求待匹配矩陣對應(yīng)的賦權(quán)二分圖中目標(biāo)、量測的最優(yōu)匹配,并得到匹配結(jié)果矩陣; 步驟c如未在步驟a的待匹配矩陣中增加虛目標(biāo)或虛量測,則轉(zhuǎn)步驟d;如增加了,則在匹配結(jié)果矩陣中刪去,得到確認(rèn)矩陣的一個最優(yōu)匹配關(guān)系,即獲得確認(rèn)矩陣的一個可行矩陣;進(jìn)入下步驟d; 步驟d將當(dāng)前步驟a中求得的待匹配矩陣減去當(dāng)前的匹配結(jié)果矩陣,得到新的需優(yōu)化的待匹配矩陣; 重復(fù)執(zhí)行步驟b到步驟d K次,得到對應(yīng)于確認(rèn)矩陣Ω的K個最優(yōu)可行矩陣,即得到確認(rèn)矩陣對應(yīng)的聯(lián)合事件; 再得到對應(yīng)的聯(lián)合事件θk,i中的參數(shù)假量測數(shù)Φ(θk,i)、量測關(guān)聯(lián)指示器τj(θk,i)及目標(biāo)檢測指示器δt(θk,i); 量測關(guān)聯(lián)指示器,其中tj是聯(lián)合事件θk,i對應(yīng)的可行矩陣

中與量測j關(guān)聯(lián)的目標(biāo)的取值,即τj(θk,i)表明量測j是否和一個真實目標(biāo)關(guān)聯(lián); 目標(biāo)檢測指示器

,其中N表示目標(biāo)數(shù);則δt(θk,i)表示在聯(lián)合事件θk,i對應(yīng)的可行矩陣

中目標(biāo)t是否被檢測到; 假量測數(shù)Φ(θk,i)表示聯(lián)合事件θk,i對應(yīng)的可行矩陣

中假量測的數(shù)目,根據(jù)量測關(guān)聯(lián)指示器得到 所述步驟3中,k時刻所有量測的聯(lián)合事件的條件概率為 其中,c為歸一化常數(shù),V表示跟蹤門體積,Λk,j表示濾波殘差似然函數(shù),PDt表示目標(biāo)t的檢測概率; 檢測概率PDt為常數(shù), 濾波殘差似然函數(shù)為 其中

代表目標(biāo)tj的預(yù)測位置

是Kalman濾波器中一步預(yù)測狀態(tài)向量

是狀態(tài)向量x在k-1時刻的估計值,與k時刻的狀態(tài)向量估計值

的計算相同,

代表相應(yīng)于目標(biāo)tj的殘差協(xié)方差矩陣,zk,j表示k時刻第j個量測,從當(dāng)前幀(k時刻)的檢測結(jié)果中讀??;殘差協(xié)方差矩陣Sk定義為;各目標(biāo)的殘差協(xié)方差矩陣計算相同,即

的計算與Sk相同; Pk|k-1表示Kalman濾波器中根據(jù)k-1時刻的協(xié)方差陣預(yù)測得到k時刻的預(yù)測協(xié)方差陣 Pk|k-1=APk-1|k-1AT+Qk-1;初始值 其中矩陣Qk-1表示k-1時刻的值,與k時刻的值計算相同,k時刻的值為,Gk也為k時刻的值,定義為Q′為常數(shù),取 Pk-1|k-1是k-1時刻的狀態(tài)估計協(xié)方差陣; 跟蹤門體積V

其中β為常數(shù),β=9.5; 所述步驟4的βkj,t,βk0,t計算公式如下 nk表示k時刻聯(lián)合事件的個數(shù),即可行矩陣的個數(shù),mk表示有效量測的個數(shù); 所述步驟5的具體步驟為 由步驟4中計算的關(guān)聯(lián)概率得到k時刻目標(biāo)t狀態(tài)估計 Kkt為目標(biāo)t在k時刻的Kalman濾波增益矩陣,Pk|k-1t表示目標(biāo)t的一步預(yù)測協(xié)方差矩陣,各目標(biāo)的預(yù)測協(xié)方差矩陣計算相同,即Pk|k-1t與前文中的Pk|k-1的計算相同;R是常數(shù),取為R=
;

表示目標(biāo)t在上一幀的狀態(tài)估計;初始值其中


分別表示目標(biāo)初始位置的x方向、y方向的值; 以下分別針對五種情況說明 1)正常無須修正; 2)新出現(xiàn)新目標(biāo)的初始狀態(tài)估計為px、py分別表示當(dāng)前幀檢測結(jié)果中目標(biāo)位置在x方向、y方向的值,所述的當(dāng)前幀即k時刻對應(yīng)幀; 3)消失終止該目標(biāo)的跟蹤; 4)遮擋遮擋目標(biāo)t1、t2狀態(tài)估計值



修正為 5)分離表示一個目標(biāo)分成2個或多個,無須修正狀態(tài)估計值;根據(jù)目標(biāo)t的狀態(tài)估計,計算狀態(tài)估計協(xié)方差陣Pk|kt,以進(jìn)行下一幀跟蹤 Pk|k-1t表示目標(biāo)t的預(yù)測協(xié)方差陣,計算方法同前述的Pk|k-1的計算方法;式中Kkt、Skt分別為目標(biāo)t在k時刻的Kalman濾波增益矩陣、殘差協(xié)方差矩陣。
當(dāng)沒有任何量測源于目標(biāo)t時,計算對于沒有任何量測源于目標(biāo)t的狀態(tài)估計協(xié)方差陣為 有益效果 與現(xiàn)有技術(shù)相比,本發(fā)明的優(yōu)越性體現(xiàn)在 1、僅利用目標(biāo)的運(yùn)動特征,通過改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)算法實現(xiàn)監(jiān)控視頻中多運(yùn)動目標(biāo)的快速跟蹤; 2、為避免傳統(tǒng)JPDA算法在目標(biāo)、量測較多時的關(guān)聯(lián)匹配呈指數(shù)增加,提出一種簡化的murty算法中文穆爾蒂,快速計算JPDA算法中確認(rèn)矩陣對應(yīng)的最優(yōu)K個聯(lián)合事件,能大大降低計算復(fù)雜度,顯著提高跟蹤算法的實時性; 3、傳統(tǒng)JPDA算法產(chǎn)生可行事件需滿足量測、目標(biāo)“一對一”的關(guān)聯(lián)約束,并由此計算關(guān)聯(lián)概率、得到目標(biāo)的狀態(tài)估計。而在視頻監(jiān)控中,多目標(biāo)存在新出現(xiàn)、消失、遮擋、分離等運(yùn)動情況,量測和目標(biāo)的關(guān)聯(lián)情況復(fù)雜,因此,必須對傳統(tǒng)JPDA算法中計算目標(biāo)狀態(tài)估計值進(jìn)行改進(jìn)、修正。本發(fā)明提出根據(jù)JPDA算法中的關(guān)聯(lián)概率判定目標(biāo)的運(yùn)動情況,分析在目標(biāo)正常、新出現(xiàn)、消失、遮擋、分離(前景檢測不準(zhǔn)確造成目標(biāo)碎片)等復(fù)雜情況下當(dāng)前幀量測與跟蹤目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問題,并據(jù)此推導(dǎo)目標(biāo)狀態(tài)估計,實現(xiàn)復(fù)雜運(yùn)動情況下視頻多目標(biāo)的跟蹤,能大大提高跟蹤的有效性、可靠性。



圖1為本發(fā)明的總體流程圖; 圖2為第k幀量測與目標(biāo)跟蹤門的關(guān)系示意圖; 圖3為圖1對應(yīng)的賦權(quán)二分圖; 圖4為圖3增加一虛量測的示意圖; 圖5為目標(biāo)的運(yùn)動情況示意圖,a)新出現(xiàn),b)遮擋,c)分離 圖6為不同方法在監(jiān)控視頻中的跟蹤誤差曲線。a)監(jiān)控場景;b)傳統(tǒng)JPDA算法的跟蹤誤差曲線;d)本發(fā)明的方法的跟蹤誤差曲線說明由于本發(fā)明主要針對傳統(tǒng)JPDA算法進(jìn)行了改進(jìn),因此,改為誤差與傳統(tǒng)JPDA對比即可。

具體實施例方式 實施例1 本發(fā)明提出的視頻多目標(biāo)跟蹤方法的基本思想是首先,采用文獻(xiàn)中文題目采用自適應(yīng)核密度估計的基于運(yùn)動的背景減除法,作者M(jìn)ittal.A,Paragios.N.英文題目Motion-Based Background Subtraction using Adaptive Kernel Density Estimation,發(fā)表刊物InProceeding of IEEE Conference on Computer Vision and Pattern Recognition,Washington DC,USAIEEE Pres,2004,302~309提出的背景檢測方法背景減除法是一種常用的已知算法檢測當(dāng)前幀的目標(biāo),并將檢測出的目標(biāo)用其外接矩形框表示。由于在監(jiān)控范圍較大、目標(biāo)外觀特征少的情況下,僅能利用目標(biāo)運(yùn)動特征進(jìn)行跟蹤。本發(fā)明中,將視頻中所有目標(biāo)的運(yùn)動特性認(rèn)為是服從某種運(yùn)動模型,在建立運(yùn)動模型后,只須在連續(xù)幀中通過運(yùn)動模型匹配(也稱數(shù)據(jù)關(guān)聯(lián))計算出各個目標(biāo)的運(yùn)動向量值,即可完成視頻多目標(biāo)的跟蹤。
選取目標(biāo)外接矩形框中心點的運(yùn)動特征建立運(yùn)動模型,用于代表目標(biāo)的運(yùn)動特征,具體方式如下 視頻監(jiān)控中,可認(rèn)為目標(biāo)運(yùn)動過程和觀測過程都是線性的,因此我們只針對線性情況分析目標(biāo)運(yùn)動特性,建立目標(biāo)運(yùn)動模型,線性運(yùn)動的狀態(tài)方程和測量方程為 xk=Axk-1+wk (1) zk=Cxk+vk(2) 公式(1)和(2)為針對所有的目標(biāo)的運(yùn)動模型。
式(1)中,w為系統(tǒng)噪聲反映線性系統(tǒng)模型的精確程度,具有均值為零的高斯分布,其協(xié)方差矩陣為Q,k時刻的值取為,Gk也為k時刻的值,定義為Q′為常數(shù),取 v為觀測噪聲,是均值為零的白噪聲序列,和w互不相關(guān),其協(xié)方差矩陣為R,是常數(shù),根據(jù)某像素點在視頻中的方差確定,實驗視頻中取為R=

同時,定義狀態(tài)向量xk=[px,vx,py,vy]T和觀測向量zk=[px,py]T,其中px、vx、py、vy分別表示第k幀目標(biāo)外接矩形框中心點x方向坐標(biāo)值、速度值及y方向坐標(biāo)值、速度值。
由于在視頻中,通常相鄰幀間時間間隔Δt很小,目標(biāo)運(yùn)動可近似認(rèn)為是勻速運(yùn)動,則根據(jù)勻速運(yùn)動動力學(xué)方程得到式(1)中的狀態(tài)轉(zhuǎn)移矩陣A及式(2)中的觀測矩陣C A、C為常量。建立如上所述的運(yùn)動模型后,再通過匹配各個目標(biāo)在上一幀和當(dāng)前幀的運(yùn)動模型,計算出當(dāng)前幀中各目標(biāo)的狀態(tài)向量xk,則可根據(jù)狀態(tài)向量中的px、py分量,得到該目標(biāo)外接矩形框中心點在當(dāng)前幀的位置,從而通過連續(xù)幀運(yùn)動狀態(tài)的關(guān)聯(lián)性,即匹配程度完成多個目標(biāo)在視頻中的跟蹤,并獲得各個目標(biāo)的運(yùn)動軌跡。
因此,在建立目標(biāo)運(yùn)動模型后,需要匹配幀間不同目標(biāo)的運(yùn)動特征來完成跟蹤,這是數(shù)據(jù)關(guān)聯(lián)問題。本發(fā)明提出基于改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法跟蹤視頻多目標(biāo),包括5個步驟,具體如下 1、產(chǎn)生確認(rèn)矩陣一本步驟中需確認(rèn)當(dāng)前幀的檢測結(jié)果中哪些是對應(yīng)目標(biāo)的,即確定哪些檢測信息是有效的。
由于當(dāng)前幀檢測到的可能包括目標(biāo)、干擾(如光線變化、樹葉晃動等背景中的動態(tài)變化),則本步驟中需確認(rèn)當(dāng)前幀的檢測結(jié)果中哪些是對應(yīng)目標(biāo)的,即確定哪些檢測信息是有效的。
當(dāng)前幀的檢測信息,在數(shù)據(jù)關(guān)聯(lián)問題中,即為量測,通過目標(biāo)檢測,則可得到目標(biāo)的量測,用觀測向量表示zk=[px,py]T;同時上一幀目標(biāo)的跟蹤結(jié)果,提供了目標(biāo)的運(yùn)動狀態(tài)向量xk=[px,vx,py,vy]T。本步驟中根據(jù)上一幀目標(biāo)的狀態(tài)估計得到跟蹤門,用于判定當(dāng)前幀的有效量測,并用確認(rèn)矩陣表示當(dāng)前幀的有效量測和多目標(biāo)跟蹤門之間的關(guān)系。
設(shè)跟蹤門限為tg,如目標(biāo)跟蹤門dk2(濾波殘差向量)的范數(shù)小于跟蹤門限,則判定當(dāng)前幀的某量測有效 式中

Sk分別是Kalman濾波器即卡爾曼濾波器得到的濾波殘差向量、殘差協(xié)方差矩陣。

Sk是Kalman濾波器常用的量。
具體如下濾波殘差向量

定義為當(dāng)前幀對應(yīng)的量測zk與預(yù)測觀測量

之差 C為式(3)定義的觀測矩陣,

是Kalman濾波器中一步預(yù)測狀態(tài)向量

是狀態(tài)向量x在k-1時刻的估計值,與k時刻的狀態(tài)向量估計值

的計算相同,見第5點關(guān)于狀態(tài)估計的計算。
殘差協(xié)方差矩陣Sk定義為Pk|k-1為Kalman濾波器中的一步預(yù)測協(xié)方差矩陣(即根據(jù)前一時刻(k-1時刻)的協(xié)方差矩陣預(yù)測得到當(dāng)前時刻(k時刻)的預(yù)測協(xié)方差矩陣) Pk|k-1=APk-1|k-1AT+Qk-1 (8) 初始值 Pk-1|k-1是k-1時刻的狀態(tài)估計協(xié)方差陣,與k時刻的狀態(tài)估計協(xié)方差陣Pk|k的計算相同,見式(23)、(24)。
則確認(rèn)矩陣Ω表示當(dāng)前幀有效量測與目標(biāo)跟蹤門間的關(guān)系,定義為 式中,t表示目標(biāo),j表示量測,ωjt表示目標(biāo)t與量測j的關(guān)系。確認(rèn)矩陣Ω的行表示當(dāng)前幀量測,列表示跟蹤目標(biāo),其中表示當(dāng)前幀量測j落入跟蹤目標(biāo)t的跟蹤門內(nèi);表示量測j沒有落入目標(biāo)t的跟蹤門內(nèi),并令t=0表示虛警(量測對應(yīng)的是干擾而不是目標(biāo),即誤把干擾當(dāng)目標(biāo)),對應(yīng)Ω第一列的所有元素為1,用于表示當(dāng)前幀任一量測都有可能源于當(dāng)前檢測錯誤產(chǎn)生的虛警, 如圖2,當(dāng)前幀兩個有效量測z1、z2與兩個目標(biāo)t1、t2的跟蹤門及虛警t0形成確認(rèn)矩陣Ω
下文中的量測均指有效量測。
2、產(chǎn)生所有聯(lián)合(可行)事件及其參數(shù)分析得到所有量測與各目標(biāo)的所有可能的匹配情況,建立一一對應(yīng)關(guān)系。這些參數(shù)用于后續(xù)步驟計算關(guān)聯(lián)概率。
多目標(biāo)的數(shù)據(jù)關(guān)聯(lián)的難點在于量測可能在不同目標(biāo)的跟蹤門內(nèi),即該量測可能源自多個目標(biāo)。為了分析量測與目標(biāo)匹配的各種可能,可通過步驟1產(chǎn)生的確認(rèn)矩陣,分析得到所有量測與各目標(biāo)的所有可能的匹配情況,用聯(lián)合事件表示所有量測與各目標(biāo)匹配的一種可能,并可根據(jù)匹配情況得到聯(lián)合事件的參數(shù)。由于當(dāng)目標(biāo)、量測數(shù)目較多時,計算確認(rèn)矩陣對應(yīng)的所有聯(lián)合事件會產(chǎn)生“組合爆炸”問題,因此本步驟中采用簡化的murty算法計算確認(rèn)矩陣對應(yīng)的K個最優(yōu)聯(lián)合事件。具體內(nèi)容如下 由k時刻的確認(rèn)矩陣Ω分析得到所有聯(lián)合事件nk表示集合θk中元素的個數(shù),其中第i個聯(lián)合事件為表示當(dāng)前幀mk個量測與各個目標(biāo)匹配的一種可能。而表示第j個量測與目標(biāo)t關(guān)聯(lián)的事件為θkj,t,稱為關(guān)聯(lián)事件。中∩符號表示“所有”,本公式代表一個集合
依據(jù)產(chǎn)生聯(lián)合事件的兩個基本假設(shè)每個量測有唯一的源;對應(yīng)一個給定目標(biāo),最多有一個量測以其為源,對確認(rèn)矩陣Ω拆分,得到與聯(lián)合事件對應(yīng)的可行矩陣 其中

描述在第i個聯(lián)合事件中,量測j是否源于目標(biāo)t。可見,計算聯(lián)合事件θk,i,只需得到其對應(yīng)的可行矩陣
本發(fā)明提出一種簡化的murty算法穆爾蒂算法,快速計算確認(rèn)矩陣產(chǎn)生最優(yōu)K個的可行矩陣,(murty算法的基本思想是將給定的一個問題及解,劃分為幾個將解空間對應(yīng)劃分的子問題,通過找出子問題的解來獲取原問題的解。因此,對應(yīng)于獲取確認(rèn)矩陣Ω的最佳K個匹配關(guān)系,即是先構(gòu)造一個包含所有可能匹配的集合,每次找到一個最優(yōu)匹配,并在匹配集合中刪除這個最優(yōu)匹配,再從剩下的匹配集合中求一個最優(yōu)匹配,如此循環(huán)K次,即得到確認(rèn)矩陣Ω中最佳K個匹配關(guān)系。可見,如何求取每個匹配集合中的最優(yōu)匹配是問題的關(guān)鍵。)包括如下步驟 (1)根據(jù)確認(rèn)矩陣,構(gòu)建目標(biāo)、量測的賦權(quán)二分圖,得到待匹配矩陣 賦權(quán)二分圖的左邊節(jié)點表示跟蹤目標(biāo),右邊節(jié)點表示當(dāng)前幀量測,t0表示虛警,連接目標(biāo)和量測的線段表示一個可能的分配,線段的權(quán)值為線段兩端目標(biāo)、量測在確認(rèn)矩陣中所在行、列的對應(yīng)元素; 再將確認(rèn)矩陣轉(zhuǎn)化為代匹配矩陣如目標(biāo)、量測數(shù)一致,則直接將確認(rèn)矩陣作為代匹配矩陣;如目標(biāo)、量測數(shù)不一致,則對確認(rèn)矩陣增加虛目標(biāo)或虛量測,構(gòu)成待匹配矩陣。
例如 如圖2對應(yīng)的確認(rèn)矩陣(式(10))可用如下的賦權(quán)二分圖描述 圖中,實線對應(yīng)權(quán)值為1,虛線對應(yīng)權(quán)值為0。采用解決線性分配問題的匈牙利算法可得到賦權(quán)二分圖中t、z的最優(yōu)匹配。
由于匈牙利算法要求賦權(quán)二分圖的左、右節(jié)點數(shù)相同,因此如跟蹤目標(biāo)數(shù)(包括虛警)、量測數(shù)不一致時,采用增加虛目標(biāo)或虛量測的方式,使左、右節(jié)點一致,如在圖3中,量測少于跟蹤目標(biāo)數(shù),則增加一個虛量測,虛量測與各目標(biāo)間的權(quán)值為0,得到圖4所示的賦權(quán)二分圖 得到與圖4對應(yīng)的待匹配的矩陣

(2)匈牙利算法求待匹配矩陣對應(yīng)的賦權(quán)二分圖中目標(biāo)、量測的最優(yōu)匹配,并得到匹配結(jié)果矩陣 ①基本概念 二分圖表示為G=(V,E),其中V表示頂點集,E表示邊集。若二分圖G的頂點集V可以分為兩個不相交的子集X、Y,且每個子集內(nèi)部頂點間不存在邊,而邊只存在于兩個子集的頂點之間,則稱該圖為二分圖。
a)匹配設(shè)M是二分圖G的邊集合中的一個子集,如果M中任意兩條邊在G中均不鄰接,則稱M是G的一個匹配。M中的一條邊的兩個端點叫做在M是配對的。
b)飽和與非飽和若匹配M的某條邊與頂點v關(guān)聯(lián),則稱M飽和頂點v,并且稱v是M-飽和的,否則稱v是M-不飽和的。
c)交互道若M是二分圖G=(V,E)的一個匹配。設(shè)從圖G中的一個頂點到另一個頂點存在一條道路,這條道路是由屬于M的邊和不屬于M的邊交替出現(xiàn)組成的,則稱這條道路為交互道。
d)可增廣道路若一交互道的兩端點為關(guān)于M非飽和頂點時,則稱這條交互道是可增廣道路。若一條邊的兩端點非飽和,則這條邊也是可增廣道路。
②匈牙利算法的基本步驟 根據(jù)Hall定理得出的匈牙利算法是求二分圖最大匹配的一種算法,主要步驟如下 a)任給初始匹配。
b)若X已飽和則結(jié)束,否則轉(zhuǎn)c)。
c)在X中找一非飽和點x0,作V1←{x0}(點集V1初始只取x0點);

(V2為空集,

表示空集)。
d)若Г(V1)=V2(和V1鄰接的點集為Г(V1))則因無法匹配而停止;否則任選一點y∈Г(V1)\V這個公式表示從點集Г(V1)中去掉V2中的點。e)若y已飽和轉(zhuǎn)f),否則求一條從x0→y的可增廣道路P,M←M⊕E(P),轉(zhuǎn)b)。(⊕表示對稱差設(shè)A、B是兩個集合,則定義運(yùn)算規(guī)則0⊕0=1⊕1=0,1⊕0=0⊕1=1;E(P)表示可增廣道路P的邊集合)f)由于y已飽和,故M中有一條邊(y,z)作V1←V1∪{z},V2←V2∪{y}該公式表示點集運(yùn)算,點集V1新增加邊(y,z)中的點z;點集V2新增加邊(y,z)中的點y,轉(zhuǎn)d)。
再將匈牙利算法求得的賦權(quán)二分圖最優(yōu)匹配,轉(zhuǎn)化為匹配結(jié)果矩陣賦權(quán)二分圖中匹配的目標(biāo)、量測,在匹配結(jié)果矩陣中對應(yīng)元素為1,否則為0。
例如 如對圖4所示的賦權(quán)二分圖,按以上匈牙利算法的基本步驟求得最優(yōu)匹配結(jié)果t1與z1匹配、t2與z2匹配,轉(zhuǎn)化為匹配結(jié)果矩陣
(3)如未在步驟(1)的待匹配矩陣中增加虛目標(biāo)或虛量測,則轉(zhuǎn)步驟(4);如增加了,則在匹配結(jié)果矩陣中刪去,得到確認(rèn)矩陣的一個最優(yōu)匹配關(guān)系,即獲得確認(rèn)矩陣的一個可行矩陣。
例如對式(13)刪去增加的虛量測所在的行 即得到確認(rèn)矩陣(式(10))的一個可行矩陣。
(4)將當(dāng)前步驟(1)中求得的待匹配矩陣減去當(dāng)前匹配結(jié)果矩陣,得到新的需優(yōu)化的待匹配矩陣 例如,步驟(1)中求得的待匹配矩陣

(式(12))減去當(dāng)前匹配結(jié)果矩陣

(式(13)) 即得到新的待匹配矩陣為 (5)重復(fù)執(zhí)行步驟(2)——(4)K次,即可找到對應(yīng)于確認(rèn)矩陣Ω的K個最優(yōu)可行矩陣,也就得到確認(rèn)矩陣對應(yīng)的聯(lián)合事件。
聯(lián)合事件的數(shù)目K取值越大,計算結(jié)果越接近真實值,但是計算復(fù)雜度也會增加,實際應(yīng)用中,K值可根據(jù)系統(tǒng)計算能力和需達(dá)到的實時性高低共同確定。本發(fā)明中,K取動態(tài)值,設(shè)定為當(dāng)前幀跟蹤目標(biāo)數(shù)和量測數(shù)之和。
最后根據(jù)求得的可行矩陣,得到對應(yīng)的聯(lián)合事件θk,i中的參數(shù)假量測數(shù)Φ(θk,i)、量測關(guān)聯(lián)指示器τj(θk,i)及目標(biāo)檢測指示器δt(θk,i)。
量測關(guān)聯(lián)指示器其中tj是聯(lián)合事件θk,i對應(yīng)的可行矩陣

中與量測j關(guān)聯(lián)的目標(biāo)的取值,即τj(θk,i)表明量測j是否和一個真實目標(biāo)關(guān)聯(lián); 目標(biāo)檢測指示器

其中N表示目標(biāo)數(shù);則δt(θk,i)表示在聯(lián)合事件θk,i對應(yīng)的可行矩陣

中目標(biāo)t是否被檢測到; 假量測數(shù)Φ(θk,i)表示聯(lián)合事件θk,i對應(yīng)的可行矩陣

中假量測的數(shù)目,根據(jù)量測關(guān)聯(lián)指示器得到 如式(14)對應(yīng)聯(lián)合事件θk,1的可行矩陣
可知量測關(guān)聯(lián)的目標(biāo)取值tj為0或1,對量測z1來說,所在行的第2列取值為1,則量測z1與真實目標(biāo)t1關(guān)聯(lián),即量測關(guān)聯(lián)指示器τj(θk,1)=1(量測j=z1); 對目標(biāo)t1來說,其所在列對應(yīng)兩個量測z1、z2中存在量測z1,使得目標(biāo)t1對應(yīng)取值1,即表明目標(biāo)t1被檢測到,則目標(biāo)檢測指示器(量測j=z1、z2,量測數(shù)mk=2) 假量測數(shù)Φ(θk,1)表示可行矩陣

中不與任何真實目標(biāo)關(guān)聯(lián)的量測數(shù)目,由于量測z1與真實目標(biāo)t1關(guān)聯(lián)、量測z2與真實目標(biāo)t2關(guān)聯(lián),因此假量測數(shù)Φ(θk,1)=0。
3、應(yīng)用Bayes法則,計算k時刻所有量測的聯(lián)合事件的條件概率 其中,c為歸一化常數(shù),V表示跟蹤門體積,Λk,j表示濾波殘差似然函數(shù),PDt表示目標(biāo)t的檢測概率。
具體說明如下 檢測概率PDt為常數(shù),實驗視頻中設(shè)為 濾波殘差似然函數(shù) 其中

代表目標(biāo)tj的預(yù)測位置

代表相應(yīng)于目標(biāo)tj的殘差協(xié)方差矩陣。
跟蹤門體積V

其中β為常數(shù),實驗視頻中取β=9.5。
4、計算量測與目標(biāo)t的關(guān)聯(lián)概率βkj,t,βk0,tβkj,t有效量測j和所有目標(biāo)的關(guān)聯(lián)概率,βk0,t為虛量測和所有目標(biāo)的關(guān)聯(lián)概率,用于評估量測與目標(biāo)關(guān)聯(lián)的可能性大小 5、通過Kalman濾波器,得到目標(biāo)狀態(tài)估計及協(xié)方差陣根據(jù)狀態(tài)估計獲得目標(biāo)在當(dāng)前幀xy方向的位置和速度。協(xié)方差陣是估計和真實目標(biāo)狀態(tài)的偏差,表征跟蹤的精確性。計算得到目標(biāo)狀態(tài)估計向量

獲得目標(biāo)中心點的位置、速度,即完成當(dāng)前幀目標(biāo)跟蹤。由步驟4中計算的關(guān)聯(lián)概率得到k時刻目標(biāo)t狀態(tài)估計 Kkt為目標(biāo)t在k時刻的Kalman濾波增益矩陣,Pk|k-1t表示目標(biāo)t的一步預(yù)測協(xié)方差矩陣,各目標(biāo)的預(yù)測協(xié)方差矩陣計算相同,即Pk|k-1t與前文中的Pk|k-1的計算相同;

表示目標(biāo)t在上一幀的狀態(tài)估計,初始值其中

分別表示目標(biāo)初始位置的x方向、y方向的值。
在視頻監(jiān)控中,多目標(biāo)存在新出現(xiàn)、消失、遮擋、分離等運(yùn)動情況,量測和目標(biāo)的關(guān)聯(lián)情況復(fù)雜,因此,必須對式(21)得到的狀態(tài)估計進(jìn)行修正,才能得到準(zhǔn)確的目標(biāo)狀態(tài)估計值,從而實現(xiàn)復(fù)雜運(yùn)動情況下的視頻多目標(biāo)跟蹤。本發(fā)明提出根據(jù)步驟4式(20)計算的關(guān)聯(lián)概率,分析目標(biāo)的運(yùn)動狀態(tài)及與上一幀目標(biāo)的關(guān)聯(lián)情況,包括五種情況正常、新出現(xiàn)、消失、遮擋、分離,并根據(jù)不同情況修正式(21)的目標(biāo)狀態(tài)估計值,完成視頻多目標(biāo)跟蹤。具體內(nèi)容如下 從式(20)可見,由關(guān)聯(lián)概率構(gòu)成的關(guān)聯(lián)矩陣βk(式(22))中前mk行的關(guān)聯(lián)概率βkj,t(1≤j≤mk)反映第j個有效量測與目標(biāo)t的關(guān)聯(lián)情況,而從式(20)中可知,關(guān)聯(lián)矩陣βk中的最后一行關(guān)聯(lián)概率βk0,t是由前mk行的關(guān)聯(lián)概率βkj,t計算得到,表示沒有任何量測源于目標(biāo)t的概率。因此,選取關(guān)聯(lián)矩陣βk中前mk行的關(guān)聯(lián)概率構(gòu)成新的關(guān)聯(lián)矩陣βk′(式(22)),βk′的行表示當(dāng)前幀有效量測、列表示上一幀的跟蹤目標(biāo)。通過關(guān)聯(lián)矩陣βk′分析目標(biāo)的五種運(yùn)動情況目標(biāo)正常、新出現(xiàn)、消失、遮擋、分離,判定在各運(yùn)動情況下能否通過式(21)得到準(zhǔn)確有效的狀態(tài)估計,如存在較大誤差,則需修正狀態(tài)估計。
1)正常如圖2所示,當(dāng)目標(biāo)t跟蹤門內(nèi)有且只有一個有效量測zj,關(guān)聯(lián)概率矩陣量測zj所在行有唯一大于0的元素t時,則當(dāng)前量測zj與元素t所在列對應(yīng)的上一幀跟蹤目標(biāo)t關(guān)聯(lián),認(rèn)為當(dāng)前幀目標(biāo)t運(yùn)動“正常”,目標(biāo)幀間狀態(tài)穩(wěn)定,近似為線性運(yùn)動,因此可采用式(21)計算目標(biāo)t的狀態(tài)估計,無須修正。
2)新出現(xiàn) 由于是當(dāng)前幀出現(xiàn)的新目標(biāo),沒有上一幀的狀態(tài)估計值

則無法通過式(21)計算當(dāng)前幀的狀態(tài)估計值。因此需判定哪些量測是新目標(biāo),并確定初始跟蹤狀態(tài),判定新目標(biāo)包括兩個步驟 ①初步判定 a)如圖5a)所示,當(dāng)前幀量測zj在所有目標(biāo)的跟蹤門外,認(rèn)為zj可能代表新目標(biāo); b)如關(guān)聯(lián)概率矩陣中量測zj所在行的元素全為0,則當(dāng)前幀量測zj與所有上一幀目標(biāo)無關(guān)聯(lián),認(rèn)為zj可能代表新目標(biāo); ②確認(rèn)為“新目標(biāo)” 由于新目標(biāo)可能是目標(biāo)消失一段時間重新出現(xiàn),則該目標(biāo)不能認(rèn)為是新目標(biāo),而應(yīng)恢復(fù)對該消失目標(biāo)的重新跟蹤。因此,將初步判定為“新出現(xiàn)”的目標(biāo)與前ks幀(實驗中設(shè)ks=5)內(nèi)所有狀態(tài)為“消失”的目標(biāo)進(jìn)行步驟1——5關(guān)聯(lián),如能滿足“正?!边\(yùn)動狀態(tài)的條件,則該新目標(biāo)實際為“消失”目標(biāo)重新出現(xiàn),則更新此目標(biāo)狀態(tài)為“正?!?;如該目標(biāo)不能與任一“消失”目標(biāo)關(guān)聯(lián),則確認(rèn)此目標(biāo)為“新出現(xiàn)”。
通過以上分析,判定出哪些量測是新目標(biāo),新增加為跟蹤對象,并用其當(dāng)前量測zj(zj=[px py]T)作為新出現(xiàn)目標(biāo)的初始狀態(tài)中的位置向量,速度向量設(shè)為0,即得到新目標(biāo)的初始狀態(tài)估計。修正后的結(jié)果
3)消失 當(dāng)目標(biāo)在當(dāng)前幀消失時,即使跟蹤門內(nèi)無有效量測時,但根據(jù)式(20)可得同時目標(biāo)存在上一幀的狀態(tài)估計值

因此仍可根據(jù)式(21)得到消失目標(biāo)在當(dāng)前幀的狀態(tài)估計,顯然與目標(biāo)已消失的實際運(yùn)動情況不符。因此須根據(jù)量測與目標(biāo)的關(guān)聯(lián)情況,判定目標(biāo)是否消失,以終止消失目標(biāo)的跟蹤。
如關(guān)聯(lián)概率矩陣βk′中上幀跟蹤目標(biāo)t所在列的元素全為0,則表明當(dāng)前幀無量測與上一幀目標(biāo)t關(guān)聯(lián),目標(biāo)t在當(dāng)前幀可能消失,如連續(xù)三幀判定為消失,則確認(rèn)該目標(biāo)已消失,終止該目標(biāo)的跟蹤; 4)遮擋目標(biāo)在當(dāng)前幀發(fā)生遮擋,只能檢測為一個區(qū)域,如圖5b)所示,第k-1幀的兩個運(yùn)動目標(biāo)t1、t2在當(dāng)前幀相互遮擋,檢測為一個區(qū)域zj,無法分別得到各個目標(biāo)的量測值,即僅得到遮擋區(qū)域中心點的量測值(在圖5b)中用“+”號表示),該量測值在遮擋目標(biāo)跟蹤門內(nèi)(如圖5b)中目標(biāo)跟蹤門與量測的關(guān)系),由于遮擋區(qū)域的中心點量測值與各遮擋目標(biāo)實際中心點位置存在差異,僅采用該量測與各跟蹤目標(biāo)的關(guān)聯(lián)概率進(jìn)行狀態(tài)估計必然存在較大誤差。如當(dāng)量測與某一目標(biāo)關(guān)聯(lián)概率較大,而與其它目標(biāo)關(guān)聯(lián)概率非常小時,式(21)只能得到關(guān)聯(lián)概率較大的目標(biāo)狀態(tài)估計,其它遮擋目標(biāo)狀態(tài)估計近似為0。如表1所示,遮擋目標(biāo)t2與量測zj關(guān)聯(lián)概率遠(yuǎn)遠(yuǎn)大于遮擋目標(biāo)t1與量測zj的關(guān)聯(lián)概率,此時目標(biāo)t1狀態(tài)估計近似為0(即其位置、速度近似為0),與目標(biāo)t1的真實位置、速度誤差很大,因此需判定目標(biāo)是否遮擋,并重新修正每個遮擋目標(biāo)的狀態(tài)估計。
如關(guān)聯(lián)概率矩陣βk′中量測zj所在行有多個大于0的元素(如表1所示),則量測zj與這些元素所在列表示的上一幀跟蹤目標(biāo)關(guān)聯(lián),即多個上一幀目標(biāo)在當(dāng)前幀發(fā)生遮擋。由于量測zj表示遮擋區(qū)域在當(dāng)前幀的位置,遮擋目標(biāo)t1、t2狀態(tài)估計中的位置向量修正為量測zj的值、速度向量修正為0,即 表1遮擋情況下量測zj所在行 5)分離一個目標(biāo)分成2個或多個由于目標(biāo)檢測結(jié)果無法做到完全準(zhǔn)確,因此可能造成檢測到的目標(biāo)不完整(即目標(biāo)碎片),認(rèn)為目標(biāo)在當(dāng)前幀發(fā)生分離,如圖5c),第k-1幀目標(biāo)t在當(dāng)前幀分離為兩個檢測區(qū)域z1、z2。由于采用式(21)估計目標(biāo)狀態(tài)的本質(zhì)正是根據(jù)跟蹤目標(biāo)與當(dāng)前多個量測間的關(guān)聯(lián)情況,得到目標(biāo)狀態(tài)估計,而目標(biāo)分離產(chǎn)生的多個目標(biāo)碎片恰好提供了該跟蹤目標(biāo)的多個量測(如圖5c)中目標(biāo)跟蹤門與量測的關(guān)系),因此根據(jù)式(21)能準(zhǔn)確有效地估計跟蹤目標(biāo)在當(dāng)前幀的運(yùn)動狀態(tài),無須修正狀態(tài)估計值。
如關(guān)聯(lián)概率矩陣βk′中上幀跟蹤目標(biāo)t所在列有多個大于0的元素,則該列表示的上一幀跟蹤目標(biāo)t與這些元素所在行對應(yīng)的多個量測關(guān)聯(lián),表示上一幀跟蹤目標(biāo)t在當(dāng)前幀分離,如當(dāng)前幀量測z1、z2在目標(biāo)t的跟蹤門內(nèi),并且關(guān)聯(lián)矩陣中目標(biāo)t所在的列為表2 表2分離目標(biāo)t所在列 從表2中可見,跟蹤目標(biāo)t在當(dāng)前幀分離為量測z1、z2,并且關(guān)聯(lián)概率給出了量測z1、z2與目標(biāo)t的關(guān)聯(lián)性,據(jù)此通過式(21)得到目標(biāo)t的狀態(tài)估計。
最后,根據(jù)目標(biāo)t的狀態(tài)估計,計算狀態(tài)估計協(xié)方差陣Pk|kt,以進(jìn)行下一幀跟蹤 式中Kkt、Skt分別為目標(biāo)t在k時刻的Kalman濾波增益矩陣、殘差協(xié)方差矩陣。Pk|k-1t表示目標(biāo)t的預(yù)測協(xié)方差陣,和上文的Pk|k-1計算方法一樣,初值P0|0t和上文的P0|0取值一樣。
當(dāng)沒有任何量測源于目標(biāo)t時,計算協(xié)方差陣為 本發(fā)明提出的方法在配置為奔4處理器(主頻3.00Ghz)、1GB內(nèi)存的臺式計算機(jī)、MATLAB 7.1的編程環(huán)境下對典型監(jiān)控視頻進(jìn)行實驗分析。監(jiān)控視頻使用的是PETS-ECCV 2004數(shù)據(jù)庫的視頻,選取第270幀到第503幀共233幀進(jìn)行實驗分析,圖像分辨率為384×288,監(jiān)控場景中有兩人不規(guī)則運(yùn)動,并且人體區(qū)域較小、外觀特征少。
圖6a)所示為在監(jiān)控視頻的場景,圖6b)-d)給出了不同方法在監(jiān)控視頻中的跟蹤誤差,跟蹤誤差是由目標(biāo)中心真實坐標(biāo)值與目標(biāo)狀態(tài)估計的位置值的歐式距離得到,其中圖6b)、6c)分別是采用傳統(tǒng)JPDA算法、本文算法跟蹤目標(biāo)1、2的誤差結(jié)果,可見本文方法的跟蹤誤差遠(yuǎn)遠(yuǎn)小于傳統(tǒng)JPDA算法,最大誤差值僅不到4個像素,同時表3給出了跟蹤誤差的統(tǒng)計量,可見本文算法大大提高了跟蹤精度,并且跟蹤時間達(dá)到了約11fps,能實現(xiàn)實時快速跟蹤。說明由于本發(fā)明主要針對傳統(tǒng)JPDA算法進(jìn)行了改進(jìn),因此,改為誤差與傳統(tǒng)JPDA對比即可。
表3監(jiān)控視頻1跟蹤誤差的統(tǒng)計量及跟蹤時間

權(quán)利要求
1.一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法,其特征在于,包括以下步驟
步驟1根據(jù)當(dāng)前幀圖像的檢測結(jié)果產(chǎn)生確認(rèn)矩陣;
步驟2采用簡化的murty算法獲得確認(rèn)矩陣對應(yīng)的聯(lián)合事件及參數(shù);
步驟3計算k時刻所有量測的聯(lián)合事件的條件概率;
步驟4計算量測與目標(biāo)t的關(guān)聯(lián)概率βkj,t,βk0,t;用于評估量測與目標(biāo)關(guān)聯(lián)的可能性大?。沪耴j,t為k時刻有效量測j和目標(biāo)t的關(guān)聯(lián)概率,βk0,t為k時刻虛量測和目標(biāo)t的關(guān)聯(lián)概率;
步驟5通過Kalman濾波器,得到目標(biāo)的狀態(tài)估計及協(xié)方差陣根據(jù)步驟4計算的關(guān)聯(lián)概率,分析目標(biāo)的運(yùn)動狀態(tài)及與上一幀目標(biāo)的關(guān)聯(lián)情況,包括五種情況正常、新出現(xiàn)、消失、遮擋、分離,并根據(jù)上述五種情況得到目標(biāo)的狀態(tài)估計值,即獲得目標(biāo)在當(dāng)前幀x、y方向的位置和速度,完成視頻多目標(biāo)跟蹤;協(xié)方差陣是目標(biāo)的估計狀態(tài)和真實狀態(tài)的偏差,表征跟蹤的精確性;
步驟5完成后返回到步驟1對下一幀圖像進(jìn)行跟蹤;
所述步驟1的確認(rèn)矩陣為Ω;表示當(dāng)前幀有效量測與目標(biāo)跟蹤門間的關(guān)系,定義為
式中,t表示目標(biāo),j表示量測,ωjt表示目標(biāo)t與量測j的關(guān)系;N表示跟蹤目標(biāo)的個數(shù),m表示量測的個數(shù),確認(rèn)矩陣Ω的行表示當(dāng)前幀量測,列表示跟蹤目標(biāo),其中ωjt=1表示當(dāng)前幀量測j落入跟蹤目標(biāo)t的跟蹤門內(nèi);ωjt=0表示量測j沒有落入目標(biāo)t的跟蹤門內(nèi),并令t=0表示虛警;對應(yīng)Ω第一列的所有元素為1,用于表示當(dāng)前幀任一量測都有可能源于當(dāng)前檢測錯誤產(chǎn)生的虛警;
所述步驟2的具體步驟為
包括如下步驟
步驟a根據(jù)確認(rèn)矩陣,構(gòu)建目標(biāo)、量測的賦權(quán)二分圖,得到待匹配矩陣
步驟b應(yīng)用匈牙利算法求待匹配矩陣對應(yīng)的賦權(quán)二分圖中目標(biāo)、量測的最優(yōu)匹配,并得到匹配結(jié)果矩陣;
步驟c如未在步驟a的待匹配矩陣中增加虛目標(biāo)或虛量測,則轉(zhuǎn)步驟d;如增加了,則在匹配結(jié)果矩陣中刪去,得到確認(rèn)矩陣的一個最優(yōu)匹配關(guān)系,即獲得確認(rèn)矩陣的一個可行矩陣;進(jìn)入下步驟d;
步驟d將當(dāng)前步驟a中求得的待匹配矩陣減去當(dāng)前的匹配結(jié)果矩陣,得到新的需優(yōu)化的待匹配矩陣;
重復(fù)執(zhí)行步驟b到步驟d K次,得到對應(yīng)于確認(rèn)矩陣Ω的K個最優(yōu)可行矩陣,即得到確認(rèn)矩陣對應(yīng)的聯(lián)合事件;
再得到對應(yīng)的聯(lián)合事件θk,i中的參數(shù)假量測數(shù)Φ(θk,i)、量測關(guān)聯(lián)指示器τj(θk,i)及目標(biāo)檢測指示器δt(θk,i);
量測關(guān)聯(lián)指示器其中tj是聯(lián)合事件θk,i對應(yīng)的可行矩陣
中與量測j關(guān)聯(lián)的目標(biāo)的取值,即τj(θk,i)表明量測j是否和一個真實目標(biāo)關(guān)聯(lián);
目標(biāo)檢測指示器
其中N表示目標(biāo)數(shù);則δt(θk,i)表示在聯(lián)合事件θk,i對應(yīng)的可行矩陣
中目標(biāo)t是否被檢測到;
假量測數(shù)Φ(θk,i)表示聯(lián)合事件θk,i對應(yīng)的可行矩陣
中假量測的數(shù)目,根據(jù)量測關(guān)聯(lián)指示器得到
所述步驟3中,k時刻所有量測的聯(lián)合事件的條件概率為
其中,c為歸一化常數(shù),V表示跟蹤門體積,Λk,j表示濾波殘差似然函數(shù),PDt表示目標(biāo)t的檢測概率;
檢測概率PDt為常數(shù),
濾波殘差似然函數(shù)為
其中
代表目標(biāo)tj的預(yù)測位置
是Kalman濾波器中一步預(yù)測狀態(tài)向量
是狀態(tài)向量x在k-1時刻的估計值,與k時刻的狀態(tài)向量估計值
的計算相同,
代表相應(yīng)于目標(biāo)tj的殘差協(xié)方差矩陣,zk,j表示k時刻第j個量測,從當(dāng)前幀(k時刻)的檢測結(jié)果中讀??;殘差協(xié)方差矩陣Sk定義為各目標(biāo)的殘差協(xié)方差矩陣計算相同,即
的計算與Sk相同;
Pk|k-1表示Kalman濾波器中根據(jù)k-1時刻的協(xié)方差陣預(yù)測得到k時刻的預(yù)測協(xié)方差陣
Pk|k-1=APk-1|k-1AT+Qk-1;初始值
其中矩陣Qk-1表示k-1時刻的值,與k時刻的值計算相同,k時刻的值為Gk也為k時刻的值,定義為Q′為常數(shù),取
Pk-1|k-1是k-1時刻的狀態(tài)估計協(xié)方差陣;
跟蹤門體積V
其中β為常數(shù),β=9.5;所述步驟4的βkj,t,βk0,t計算公式如下
nk表示k時刻聯(lián)合事件的個數(shù),即可行矩陣的個數(shù),mk表示有效量測的個數(shù);
所述步驟5的具體步驟為
由步驟4中計算的關(guān)聯(lián)概率得到k時刻目標(biāo)t狀態(tài)估計
Kkt為目標(biāo)t在k時刻的Kalman濾波增益矩陣,Pk|k-1t表示目標(biāo)t的一步預(yù)測協(xié)方差矩陣,各目標(biāo)的預(yù)測協(xié)方差矩陣計算相同,即Pk|k-1t與前文中的Pk|k-1的計算相同;R是常數(shù),取為R=
;
表示目標(biāo)t在上一幀的狀態(tài)估計;初始值其中
分別表示目標(biāo)初始位置的x方向、y方向的值;
以下分別針對五種情況說明
1)正常無須修正;
2)新出現(xiàn)新目標(biāo)的初始狀態(tài)估計為px、py分別表示當(dāng)前幀檢測結(jié)果中目標(biāo)位置在x方向、y方向的值,所述的當(dāng)前幀即k時刻對應(yīng)幀;
3)消失終止該目標(biāo)的跟蹤;
4)遮擋遮擋目標(biāo)t1、t2狀態(tài)估計值

修正為
5)分離表示一個目標(biāo)分成2個或多個,無須修正狀態(tài)估計值;根據(jù)目標(biāo)t的狀態(tài)估計,計算狀態(tài)估計協(xié)方差陣Pk|kt,以進(jìn)行下一幀跟蹤
Pk|k-1t表示目標(biāo)t的預(yù)測協(xié)方差陣,計算方法同前述的Pk|k-1的計算方法;式中Kkt、Dkt分別為目標(biāo)t在k時刻的Kalman濾波增益矩陣、殘差協(xié)方差矩陣。
當(dāng)沒有任何量測源于目標(biāo)t時,計算對于沒有任何量測源于目標(biāo)t的狀態(tài)估計協(xié)方差陣為
全文摘要
本發(fā)明針對監(jiān)控范圍較大、目標(biāo)外觀特征少的視頻多目標(biāo)數(shù)據(jù)關(guān)聯(lián)及跟蹤問題,僅利用目標(biāo)運(yùn)動特征,提出了一種基于改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)JPDA的復(fù)雜情況下視頻多目標(biāo)快速跟蹤方法,即一種聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的視頻多目標(biāo)快速跟蹤方法。本方法采用簡化的穆爾蒂算法求JPDA的最優(yōu)K個聯(lián)合事件,大大降低了計算復(fù)雜度;根據(jù)JPDA的關(guān)聯(lián)概率討論目標(biāo)的運(yùn)動情況,分析在多目標(biāo)新出現(xiàn)、遮擋、消失、分離等復(fù)雜情況下當(dāng)前幀量測與跟蹤目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問題,獲取復(fù)雜運(yùn)動的多目標(biāo)跟蹤軌跡。本發(fā)明提出的方法能實現(xiàn)較大監(jiān)控范圍下視頻多目標(biāo)的快速跟蹤,并能大大提高跟蹤性能。
文檔編號G06T7/20GK101783020SQ201010117290
公開日2010年7月21日 申請日期2010年3月4日 優(yōu)先權(quán)日2010年3月4日
發(fā)明者王耀南, 萬琴 申請人:湖南大學(xué)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1