自适应运动相关协作多目标跟踪方法

摘要

本发明公开了一种自适应运动相关协作多目标跟踪方法，利用多个目标之间的时间和空间信息，建立目标间支持度模型，在目标发生遮挡时，通过所述支持度模型估计出该目标的状态。本发明方法利用多个目标之间的时间和空间信息，通过建立目标间支持度模型，即目标间加速度的二维高斯加权模型，在目标发生遮挡时，通过这种支持度模型正确估计出该目标的状态。本发明方法可以有效的处理目标遮挡，在较为复杂的环境下，快速稳定的跟踪多个目标。

主权项

1.自适应运动相关协作多目标跟踪方法，利用多个目标之间的时间和空间信息，建立目标间支持度模型，在目标发生遮挡时，通过所述支持度模型估计出该目标的状态；包含如下步骤：(1)实时图像输入将实时视频图像作为要进行跟踪的输入图像；(2)确定跟踪目标及其区域预处理通过运动对象检测自动提取运动对象，将需要进行跟踪的对象作为跟踪目标，并加入到跟踪目标列表中；对每一个目标所在的区域及其邻近搜索区域进行局部标准差图像增强预处理；(3)计算每个目标的搜索区域相关度对每个目标：在目标邻近搜索区域计算相关度平面，相关度计算公式为：$c(x,y)=\frac{\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}s(x+i,y+j)T(i,j)}{\sqrt{\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}{s}^2(x+i,y+j)}\sqrt{\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}{T}^2(i,j)}},$目标相关度平面的最大相关度值记为c_max，对应坐标记为(x_m，y_m)；设相关度阈值为δ_c，如果c_max＞δ_c，则该目标标记为未遮挡；否则，标记为遮挡；(4)目标状态更新对每个标记为未遮挡的目标：根据(3)得到的目标当前坐标(x_m，y_m)，更新目标状态，通过线性卡尔曼滤波方法进行状态更新，并作为本次跟踪过程中被遮挡目标的协作支持目标；(5)目标状态估计设t时刻，目标的状态向量为其中，和分别表示目标的横纵坐标，x方向和y方向的速度与加速度；则对每个标记为遮挡的目标，其支持度状态估计加权模型为：$X_i^t=\frac{\underset{j\ne i}{\overset{n}{\Sigma }}{W}_{\mathrm{ij}}^{t-1}(C{\mathrm{\Delta X}}_{\mathrm{ij}}^{t-1}+X_j^t)+W_{i}C{X}_i^{t-1}}{\underset{j\ne }{\overset{n}{\Sigma }}{W}_{\mathrm{ij}}^{t-1}+W_i},$其中，n为未遮挡目标的个数，W_ij为目标间支持度，即状态估计加权值，C为如下的矩阵：$C=\left(\begin{array}{cccccc}1& 0& 1& 0& 1/2& 0\\ 0& 1& 0& 1& 0& 1/2\\ 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right).$如果全部目标均被遮挡，则直接通过目标前一时刻的状态，估计当前目标状态；(6)目标支持度更新目标之间的支持度计算公式为：$W({\mathrm{\Delta a}}_x,{\mathrm{\Delta a}}_y)=\frac{1}{{2\mathrm{\pi \sigma }}_1{\sigma }_2\sqrt{1-{\rho }^2}}\times$$\exp \{-\frac{1}{2(1-{\rho }^2)}[\frac{{({\mathrm{\Delta a}}_x-{\mu }_1)}^2}{{{\sigma }_1}^2}-2\rho \frac{({\mathrm{\Delta a}}_x-{\mu }_1)({\mathrm{\Delta a}}_y-{\mu }_2)}{{\sigma }_1{\sigma }_2}+\frac{{({\mathrm{\Delta a}}_y-{\mu }_2)}^2}{{{\sigma }_2}^2}\left]\right\},$其中，Δa_x和Δa_y分别为两个目标在x方向和y方向的加速度差；目标间支持度更新后，本次多目标跟踪任务完成，跳转到(2)。