[發(fā)明專利]多層次約束的多目標(biāo)追蹤算法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710345644.8
• 申請(qǐng)日: 2017-05-17
• 公開（公告）號(hào): CN107146234B
• 公開（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 王琦;李學(xué)龍;張星宇
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06T7/136
• 分類號(hào): G06T7/136;G06T7/215;G06T7/277;G06T7/292
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 常威威

1.一種多層次約束的多目標(biāo)追蹤算法，其特征在于包括以下步驟：

步驟1：生成追蹤片段：將視頻序列的檢測(cè)結(jié)果轉(zhuǎn)化為圖模型，使用圖模型算法求解，得到相應(yīng)的追蹤片段，具體為：

步驟1.1：假定第i個(gè)檢測(cè)物為x_i＝(d_i,s_i,a_i,t_i)，其中，d_i表示檢測(cè)物的位置，s_i表示尺度，a_i表示視覺信息，t_i表示檢測(cè)物所處幀，i＝1,…,M，M為檢測(cè)物個(gè)數(shù)；χ＝{x_i}表示檢測(cè)物的集合，表示第k條目標(biāo)軌跡，表示第k條軌跡所對(duì)應(yīng)的檢測(cè)物的序號(hào)，l_k為第k條軌跡所包含的檢測(cè)物的個(gè)數(shù)，T＝{T_k}表示軌跡的集合，k＝1,…,K，K為視頻序列中目標(biāo)總數(shù)；

步驟1.2：根據(jù)最大化后驗(yàn)概率得到目標(biāo)函數(shù)T^*：

其中，P(T|χ)表示使用檢測(cè)物的集合得到一組軌跡的后驗(yàn)概率；P(x_i|T)表示檢測(cè)物x_i存在于軌跡集合T的概率，P(T_k)表示軌跡T_k存在的概率；

步驟1.3：根據(jù)P(x_i|T)的特性以及檢測(cè)器的準(zhǔn)確率β，將其轉(zhuǎn)化為：

步驟1.4：假定追蹤序列是馬爾可夫鏈，P_entr表示馬爾可夫鏈起始概率，P_link表示轉(zhuǎn)化概率，P_exit表示馬爾可夫鏈結(jié)束概率，將步驟1.2中的P(T_k)轉(zhuǎn)化為：

步驟1.5：將公式(2)、(3)代入公式(1)，對(duì)公式(1)取對(duì)數(shù)，得到：

其中，C_en,i＝-logP_entr(x_i)，C_ex,i＝-logP_exit(x_i)，C_i,j＝-logP_link(x_j|x_i)，

C_en,i、C_ex,i、C_i,j、C_i、f_en,i、f_ex,i、f_i,j、f_i即構(gòu)成圖模型；

步驟1.6：對(duì)步驟1.5得到的圖模型進(jìn)行求解得到追蹤片段，具體為：

步驟1.6.1：按照cost(p)＝C_en,p+C_p對(duì)第一幀檢測(cè)數(shù)據(jù)中所對(duì)應(yīng)的節(jié)點(diǎn)進(jìn)行初始化，p為節(jié)點(diǎn)序號(hào)，p＝1,…,M1，M1為第一幀檢測(cè)數(shù)據(jù)中檢測(cè)物的個(gè)數(shù)；

步驟1.6.2：對(duì)后續(xù)節(jié)點(diǎn)按cost(p)＝C_p+min(ω,C_en,p)計(jì)算其cost(p)值，其中N(p)表示節(jié)點(diǎn)p可能的前驅(qū)節(jié)點(diǎn)集合，這里，p為后續(xù)檢測(cè)數(shù)據(jù)對(duì)應(yīng)的節(jié)點(diǎn)序號(hào)；所述的前驅(qū)節(jié)點(diǎn)根據(jù)前后兩幀檢測(cè)物的IOU進(jìn)行判斷，IOU大于等于0.3的為可能的前驅(qū)節(jié)點(diǎn)，IOU表示兩幀檢測(cè)物交集與并集的比率；

步驟1.6.3：按步驟1.6.2遍歷所有節(jié)點(diǎn)后，cost(p)值最小的節(jié)點(diǎn)及其前驅(qū)節(jié)點(diǎn)則對(duì)應(yīng)著一條追蹤片段，刪去這條追蹤片段對(duì)應(yīng)的節(jié)點(diǎn)，對(duì)剩余節(jié)點(diǎn)重復(fù)步驟1.6.2，直至所有節(jié)點(diǎn)的cost(p)值大于等于閾值時(shí)，即得到所有的追蹤片段；所述的閾值設(shè)置為18；

步驟2：追蹤片段的分割、修正：使用追蹤片段的前5幀檢測(cè)數(shù)據(jù)的特征值的均值為模板，計(jì)算模板與該追蹤片段后續(xù)幀數(shù)據(jù)的特征值的余弦值作為相似性度量值，如果某一幀數(shù)據(jù)的相似性度量值小于閾值，就在當(dāng)前位置將追蹤片段分割成兩段，對(duì)所有追蹤片段重復(fù)此過程，直至所有相似性度量值均大于閾值，即得到所有可靠的追蹤片段；這里所述的閾值等于前一幀數(shù)據(jù)的相似性度量值/1.25；

步驟3：求解可靠追蹤片段的圖模型，得到最終目標(biāo)軌跡，具體為：

步驟3.1：設(shè)F_q、F_j分別表示第q個(gè)和第j個(gè)可靠追蹤片段，H^l(F_q)、H^l(F_j)分別表示可靠追蹤片段F_q和F_j的第l維視覺特征值，N_H表示特征維數(shù)，根據(jù)追蹤片段的視覺特性，按下式計(jì)算步驟2所得到的不同追蹤片段之間的視覺相似度：

步驟3.2：根據(jù)追蹤片段的運(yùn)動(dòng)特性，按下式計(jì)算步驟2所得到的不同追蹤片段的運(yùn)動(dòng)相似度affinity_mot：

其中，表示第q個(gè)追蹤片段在第u幀的檢測(cè)數(shù)據(jù)，u為追蹤片段F_q最后一幀的幀數(shù)；

步驟3.3：利用視覺相似度、運(yùn)動(dòng)相似度按下式計(jì)算不同追蹤片段間總的相似度C_q,j：

C_q,j＝affinity_app(F_q,F_j))affinity_mot(F_q,F_j) (7)

步驟3.4：公式(1)轉(zhuǎn)化下式：

其中，P(F_q|T)表示追蹤片段F_q存在于軌跡集合T的概率；

步驟3.5：由于F_q為可靠的追蹤片段，P(F_q|T)≈1，假定追蹤序列是馬爾可夫鏈，則P(T_k)可以轉(zhuǎn)化為下式：

步驟3.6：將公式(9)代入公式(8)，取對(duì)數(shù)，得到：

其中，c_q,j＝-logp(F_j|F_q)＝C_q,j，

c_q,j，f_q,j即構(gòu)成圖模型；

步驟3.7：利用迪杰斯特拉算法計(jì)算步驟3.6所得到圖模型的最短路徑，并利用鏈路分離算法對(duì)已得到的最短路徑進(jìn)行修正，重復(fù)此過程，直至大于等于閾值，即可得到最終的目標(biāo)軌跡，這里的閾值設(shè)置為12。