The invention relates to a fragment of confidence tracking based on multiple target tracking method and distinguish the appearance of learning, which comprises the following steps: 1) confidence in global association between trace fragments and test results of the local association and tracking fragment fragment based tracking; 2) the proposed area of appearance module learning, in the process of tracking accurately distinguish between different objects. Compared with the prior art, the invention has the advantages of good tracking effect and high running efficiency of the program.
【技术实现步骤摘要】
本专利技术涉及视频处理分析
,尤其是涉及一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法。
技术介绍
目标跟踪是视频监控和视频分析中的重要内容,在智能监控、人机交互、机器人导航、医学诊断等方面有着广泛的应用。目标跟踪主要是指在视频的每一幅图像中确定出我们感兴趣的运动目标的位置,并把不同帧中的同一目标对应起来。现有的目标跟踪算法主要分为批处理方法和在线方法两大类。批处理方法将所有帧的检测结果进行处理,把因为阻挡而间断的轨迹,即跟踪片段(tracklets)联系起来,如A.Andriyenko等人在2014年IEEETPAMI第35期上发表的“ContinuousEnergyMinimizationforMulti-TargetTracking”(连续能量最小化的多目标跟踪)。在得到每一帧的检测结果后,将检测结果相连接得到短的跟踪片段,再将跟踪片段进行全局上的联系得到长的跟踪片段。因此,该方法的关键是全局关联度(globalassociation)。然而,批处理方法在存在长时间阻挡的时候,因为难以区分不同目标而表现出不足。同时,这些方法需要事先对图像序列进行检测,而且计算量巨大,因此很难应用于实时的应用。此外,还有一些在线的方法,如M.D.Breitenstein在2011年IEEETPAMI上发表的“Onlinemultipersontracking-by-detectionfromasingle,uncalibratedcamera”(利用单个未校准的摄像机进行在线多人跟踪),F.Poiesi等人在2013年CVIU上发表的“Multi-ta ...
【技术保护点】
一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法,其特征在于,包括以下步骤:1)基于跟踪片段的置信度进行跟踪片段和检测结果的局部关联和跟踪片段之间的全局关联;2)提出区分性外观模块学习,在跟踪过程中更准确地区分不同物体。
【技术特征摘要】
1.一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法,其特征在于,包括以下步骤:1)基于跟踪片段的置信度进行跟踪片段和检测结果的局部关联和跟踪片段之间的全局关联;2)提出区分性外观模块学习,在跟踪过程中更准确地区分不同物体。2.根据权利要求1所述的一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法,其特征在于,所述的步骤1)具体为:首先在线读入图像及其检测信息,然后计算检测结果与已得到的跟踪片段的相似度,进行跟踪片段与检测结果的局部关联计算,接着计算所有跟踪片段之间的相似度,进行跟踪片段之间的全局关联计算。3.根据权利要求1所述的一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法,其特征在于,所述的跟踪片段的置信度conf(Ti)定义如下:conf(Ti)=(1LΣk∈[tsi,tei],vi(k)=1Λ(Ti,zki))×max((1+βlog(L-wL)),0)]]>L是Ti的基数,即为跟踪片段的长度,w是目标i因为被其他目标遮挡或不可靠的检测结果而缺失的帧数,上式中的是跟踪片段与其相关联的检测结果的相似度的平均值,较高的相似度能使置信度增加;使用L和w来计算,当跟踪片段较短或被遮挡时该项减少;β是跟检测质量有关的控制参数,当检测结果较准确时,β应设置为较大的数值。4.根据权利要求3所述的一种基于跟踪片段置信度和区分性外观学习的多目标跟踪方法,其特征在于,根据所述的跟踪片段的置信度定义,对在线多目标跟踪问题的的阐述如下:T^1:tMAP=argmaxT1:t∫∫p(T1:t|T1:t(hi),T1:t(lo))×p(T1:t(lo)|T1:t(hi),Z1:t)p(T1:t(hi)|Z1:t)dT1:t(hi)dT1:t(lo)]]>其中,表示具有高置信度和低置信度的跟踪片段的集合;在线多目标跟踪问题的求解分为两个阶段:具有高置信度的跟踪片段在局部与在线输入的检测结果相联系,同时具有低置信度的跟踪片段在全局与其他跟踪片段相联系;由于跟踪片段的取值范围是[0,1],当置信度大于0.5时认为跟踪片段是具有高置信度的,否则认为是具有低置信度的间断的跟踪片段。5.根据权利要求2所述的一种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。