[發(fā)明專利]一種基于遮擋對的在線多目標跟蹤方法

有效

• 申請?zhí)枺?/td>: 201911047363.X
• 申請日: 2019-10-30
• 公開（公告）號: CN110853078B
• 公開（公告）日: 2023-07-04
• 發(fā)明（設計）人: 李騰輝;王祝萍;張皓;黃超;張長柱
• 申請（專利權(quán)）人: 同濟大學
• 主分類號: G06T7/277
• 分類號: G06T7/277
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 翁惠瑜

本發(fā)明涉及一種基于遮擋對的在線多目標跟蹤方法，包括以下步驟：初始化卡爾曼預測軌跡；按時間順序獲取圖像檢測結(jié)果，將當前圖像檢測結(jié)果與上一幀的跟蹤軌跡進行匹配，判斷是否匹配成功；若存在未匹配的跟蹤軌跡，則計算圖像檢測結(jié)果與所述未匹配的跟蹤軌跡的面積覆蓋率，若存在最大的面積覆蓋率大于設定閾值，則基于最大的面積覆蓋率對應的圖像檢測結(jié)果生成遮擋對，存儲至遮擋對列表；若存在未匹配的檢測結(jié)果，則利用卡爾曼預測結(jié)果和遮擋對列表對所述未匹配的檢測結(jié)果進行重識別，更新卡爾曼預測軌跡；全局更新卡爾曼預測軌跡和遮擋對。與現(xiàn)有技術(shù)相比，本發(fā)明具有精度高、速度快等優(yōu)點。

技術(shù)領域

本發(fā)明涉及計算機視覺技術(shù)領域，特別涉及一種基于遮擋對的在線多目標跟蹤方法。

背景技術(shù)

在計算機視覺領域中，基于視頻信息的目標跟蹤一直是研究的重點。基于視覺的跟蹤方法分析連續(xù)的視頻序列，判斷跟蹤目標位置、形狀、速度和軌跡等信息，在智能視頻監(jiān)控、人機交互和視覺導航等領域有廣泛的應用。

目標跟蹤方法種類多樣。Alex?Bewley等人在2016年ICIP上發(fā)表“Simple?Onlineand?Realtime?Tracking”(Sort)。SORT方法提出一種簡單的在線跟蹤框架，使用卡爾曼濾波建立運動模型，預測跟蹤目標運動位置，再通過匈牙利算法對幀間跟蹤結(jié)果進行數(shù)據(jù)關聯(lián)。這個框架只使用了目標的運動特征，跟蹤速率快，但是沒法解決目標之間的遮擋問題。Alex?Bewley等人在2017年ICIP上發(fā)表“Simple?Online?and?Realtime?Tracking?with?aDeep?Association?Metric”(DeepSort)。DeepSort方法在Sort的框架下，結(jié)合卡爾曼預測位置和目標外觀特征，使得跟蹤目標效果提升。然而，加入外觀特征會導致目標跟蹤速率下降，若僅使用卡爾曼預測，重識別的準確度不高。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于遮擋對的在線多目標跟蹤方法，在保證速度的前提下，提升多目標跟蹤的重識別能力。

本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

一種基于遮擋對的在線多目標跟蹤方法，包括以下步驟：

1)初始化卡爾曼預測軌跡；

2)按時間順序獲取圖像檢測結(jié)果，將當前圖像檢測結(jié)果與上一幀的跟蹤軌跡進行匹配，判斷是否匹配成功，若是，則執(zhí)行步驟6)，若否，則執(zhí)行步驟3)；

3)若存在未匹配的跟蹤軌跡，則執(zhí)行步驟4)，若存在未匹配的檢測結(jié)果，則執(zhí)行步驟5)；

4)計算圖像檢測結(jié)果與所述未匹配的跟蹤軌跡的面積覆蓋率，若存在最大的面積覆蓋率大于設定閾值，則基于最大的面積覆蓋率對應的圖像檢測結(jié)果生成遮擋對，存儲至遮擋對列表，返回步驟2)；

5)利用卡爾曼預測結(jié)果和遮擋對列表對所述未匹配的檢測結(jié)果進行重識別，更新卡爾曼預測軌跡，返回步驟2)；

6)更新卡爾曼預測軌跡，返回步驟2)。

進一步地，所述卡爾曼預測軌跡的數(shù)據(jù)格式為：

其中，u和v表示軌跡最新一幀跟蹤目標邊界框中心的水平位置和垂直位置，s和r代表目標邊界框的面積和縱橫比，id表示軌跡的身份，age表示軌跡存在的時間，該時間隨幀數(shù)加1。

進一步地，所述設定閾值為0.3。

進一步地，所述遮擋對的存儲格式為：

C_j＝(ID_A,ID_B,t)