[發(fā)明專利]視頻目標的多目標跟蹤方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910059922.2
• 申請日: 2019-01-22
• 公開（公告）號: CN109859245B
• 公開（公告）日: 2020-12-11
• 發(fā)明（設(shè)計）人: 李良群;湛西羊;謝維信;劉宗香
• 申請（專利權(quán)）人: 深圳大學
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 深圳市恒申知識產(chǎn)權(quán)事務(wù)所(普通合伙) 44312
• 代理人: 袁文英

一種視頻目標的多目標跟蹤方法、裝置及存儲介質(zhì)。其中，該視頻目標的多目標跟蹤方法包括：獲取分別目標對象的第一圖像特征和觀測對象的第二圖像特征；對所述第一圖像特征和所述第二圖像特征進行N種特征類別的特征相似度計算，得到N組特征相似度結(jié)果；基于粗糙集的特征相似度對所述N組特征相似度結(jié)果進行篩選，并將篩選后的結(jié)果進行融合，得到特征融合結(jié)果；基于最大熵直覺模糊聚類，根據(jù)所述特征融合結(jié)果進行關(guān)聯(lián)代價矩陣計算，得到關(guān)聯(lián)代價矩陣計算結(jié)果；根據(jù)所述關(guān)聯(lián)代價矩陣計算結(jié)果判斷所述目標對象與所述觀測對象是否關(guān)聯(lián)，若是，則更新目標模型；若否，則對所述目標對象進行目標軌跡管理。

技術(shù)領(lǐng)域

本申請涉及電子技術(shù)領(lǐng)域，尤其涉及一種視頻目標的多目標跟蹤方法、裝置及存儲介質(zhì)。

背景技術(shù)

視頻多目標跟蹤是機器視覺的重要研究內(nèi)容之一，主要獲取視頻中運動目標的位置、姿態(tài)、軌跡等基本運動信息。隨著數(shù)字計算技術(shù)的發(fā)展，視頻多目標跟蹤已經(jīng)打開多個研究領(lǐng)域及應(yīng)用領(lǐng)域，涉及到智能視頻監(jiān)控、虛擬現(xiàn)實、人機交互、自動駕駛、交通管制、海洋學、智能機器人、遙控傳感、生物醫(yī)學等領(lǐng)域，吸引了越來越多的學者和研究人員的積極參與，取得了大量的研究成果。但在復雜背景和目標密集遮擋的環(huán)境下，多目標跟蹤過程中存在很多不確定不完備的信息，如行人的形變、光照變化、虛假觀測、目標之間的相互遮擋等，導致難以用傳統(tǒng)的概率統(tǒng)計方法準確描述目標與觀測的關(guān)系。

目前，由于檢測技術(shù)的發(fā)展，基于目標檢測的視頻目標跟蹤算法得到了快速的發(fā)展和廣泛的應(yīng)用。這類方法根據(jù)檢測的目標的位置、大小，標簽、特征等估計目標的當前狀態(tài)，不需要人工標記，并且在跟蹤過程中可根據(jù)檢測結(jié)果實時更新目標的狀態(tài)。近年來，隨著深度學習方法在視頻目標檢測上的應(yīng)用，目標檢測技術(shù)不斷進步，視頻多目標檢測技術(shù)已經(jīng)非常成熟，即使在雜波環(huán)境下，仍可獲得較準確的檢測結(jié)果，數(shù)據(jù)關(guān)聯(lián)的準確性成為影響跟蹤發(fā)正確性的主要因素，所以基于檢測的多目標數(shù)據(jù)關(guān)聯(lián)方法得到了廣泛的研究。

基于檢測的多目標跟蹤方法的關(guān)鍵問題是檢測器接收的在線檢測結(jié)果和已有目標之間的數(shù)據(jù)關(guān)聯(lián)。為解決數(shù)據(jù)關(guān)聯(lián)問題，近三十年來，國內(nèi)外的學者和研究人員提出了很多類型的數(shù)據(jù)關(guān)聯(lián)方法。根據(jù)數(shù)據(jù)關(guān)聯(lián)方式不同，大多數(shù)跟蹤算法可以分為以下兩類：生成式方法和判別式方法。基于生成式方法下的跟蹤算法利用目標的外觀、運動等多個特征構(gòu)建目標模型，在跟蹤過程中考慮目標與觀測之間的相似性進行跟蹤關(guān)聯(lián)。Ross等人通過逐步學習目標的低維子空間特征表示，可以有效適應(yīng)目標外觀的變化，Babu等人提出根據(jù)目標可靠的特征點進行跟蹤，Azab等人利用模糊積分融合多個特征在粒子濾波框架中進行跟蹤，Zhang等人利用基于粒子濾波器的稀疏表示目標模型，選擇與目標模型重建誤差最小的候選模板關(guān)聯(lián)，Zhang和Liu等人利用雙層卷積神經(jīng)網(wǎng)絡(luò)訓練魯棒的特征進行關(guān)聯(lián)。但基于生成式的關(guān)聯(lián)方法，它們有時不能很好地將目標和背景區(qū)分開，因為在目標的邊界框內(nèi)的背景像素和其他目標像素不可避免地被認為是目標的一部分，從而使目標外觀模型存在不準確信息，使其無法正確區(qū)分對象和背景，導致跟蹤可能失敗。判別式方法旨在更好地將目標從背景中分離出來，如Jang等人提出融合粒子濾波觀測模型的誤差最小的投影網(wǎng)絡(luò)模型，Mei等人提出利用最小二乘法和貝葉斯狀態(tài)估計對目標和觀測關(guān)聯(lián)。但判別方法不能適應(yīng)目標的外觀變化，故Babenko等人提出使用多實例學習訓練目標模型，Kalal等人提出基于光流和動態(tài)外觀模型的監(jiān)督編碼規(guī)則，Tuzel等人解決多個目標的遮擋跟蹤問題，并將其作為二元模式分類問題，Wu等人提出了一個區(qū)域深度學習跟蹤器，通過多個子區(qū)域觀察目標，并通過深度學習模型觀察每個區(qū)域，與大多數(shù)僅利用二維彩色或灰色圖像來在線學習被跟蹤對象的外觀模型的現(xiàn)有跟蹤器相比，取得了更好的效果。另外，基于相關(guān)濾波器的方法和基于深度學習的方法已經(jīng)取得了優(yōu)異的表現(xiàn)并引起了更多的關(guān)注。