[發(fā)明專利]一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法

在審

• 申請?zhí)枺?/td>: 201410197133.2
• 申請日: 2014-05-09
• 公開（公告）號: CN104008392A
• 公開（公告）日: 2014-08-27
• 發(fā)明（設(shè)計）人: 朱松豪;孫偉;李向向;陳玲玲
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京知識律師事務(wù)所 32207
• 代理人: 汪旭東

1.一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于，所述方法包括以下步驟：

步驟1：利用觀測模型、表觀模型、運動模型、互斥模型、軌跡維持模型及軌跡修正模型構(gòu)建一個目標(biāo)函數(shù)；

步驟2：利用梯度下降法對構(gòu)建的目標(biāo)函數(shù)求解，以得到各時刻跟蹤目標(biāo)的近似最小能量，及對應(yīng)的多目標(biāo)個數(shù)和狀態(tài)；

步驟3：采用基于最小能量的智能探測方法，得到平滑、連續(xù)的跟蹤軌跡。

2.根據(jù)權(quán)利要求1所述的一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于，所述方法的步驟3包括：首先定義一個全局最優(yōu)能量函數(shù)并對其進行優(yōu)化，然后利用梯度下降法對優(yōu)化后的近似線性能量函數(shù)進行求解，得到該能量函數(shù)在整個視頻序列中的最優(yōu)解，該能量函數(shù)定義如下：

Ε(X)＝αΕ_det(X)+βΕ_app(X)+κΕ_exc

+γΕ_dyn(X)+λΕ_per(X)+μΕ_reg(X)

其中，α，β，κ，γ，λ，μ分別表示各能量函數(shù)的權(quán)重，E_det表示觀察模型的能量；E_app表示表觀模型的能量，旨在消除不同目標(biāo)間的關(guān)聯(lián)；E_exc、E_dyn及E_per分別表示互斥模型、動態(tài)模型、軌跡維持模型的能量，旨在優(yōu)化跟蹤軌跡結(jié)果；E_reg表示軌跡修正模型的能量，旨在一定程度上防止迭代過程中的過擬合。

3.根據(jù)權(quán)利要求1或2所述的一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于，所述方法的步驟3包括：

目標(biāo)函數(shù)旨在找到一個使能量函數(shù)E(X)取得最優(yōu)跟蹤軌跡的狀態(tài)X^*:

X*=argminX∈RE(X)]]>

其中，E(X^*)表示搜索空間R的連續(xù)最小能量，該空間取值一般介于10³-10⁴之間。

4.根據(jù)權(quán)利要求1所述的一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于，所述方法利用梯度下降法對能量函數(shù)方程進行求解，以求得跟蹤目標(biāo)的近似最小能量；求解過程中，對跟蹤目標(biāo)每進行n次迭代，就對目標(biāo)軌跡執(zhí)行一次跳躍運動，實現(xiàn)一次關(guān)聯(lián)，直到能量有上升趨勢為止；求解過程中，假設(shè)跳躍運動的順序不會影響最終的跟蹤結(jié)果；也即，當(dāng)正向迭代無法獲得跟蹤目標(biāo)的最優(yōu)解時，通過反向迭代求解跟蹤目標(biāo)的最小能量，并使最初的最小能量值不依賴于跟蹤目標(biāo)的數(shù)目。

5.根據(jù)權(quán)利要求1所述的一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于，所述方法采用基于智能探測策略的梯度下降法，利用獨立模式梯度下降的優(yōu)勢，按照能量梯度下降方向進行迭代，并對能量相近的跟蹤目標(biāo)位置進行關(guān)聯(lián)；只要迭代過程是按照能量下降方向進行，則跳躍運動會一直繼續(xù)；智能探測策略推演法包括目標(biāo)軌跡的增長與收縮策略、拆分與合并策略、刪除與添加三種策略。

6.根據(jù)權(quán)利要求4所述的一種基于連續(xù)最小能量表觀模型的多目標(biāo)跟蹤方法，其特征在于：所述方法的目標(biāo)軌跡的增長與收縮策略是采用智能軌跡探測法在時空上對每條跟蹤軌跡進行擴展和縮短；如果能量函數(shù)的下一次迭代中，無法獲得最優(yōu)的跟蹤位置，則將該軌跡上的跟蹤目標(biāo)移除，跟蹤軌跡縮短；反之，如果迭代過程一直按照能量下降的方向進行，則該跟蹤軌跡將在原有基礎(chǔ)上進行擴展，增長現(xiàn)有軌跡。