视频目标的多目标跟踪方法、装置及存储介质制造方法及图纸

一种视频目标的多目标跟踪方法、装置及存储介质。其中，该视频目标的多目标跟踪方法包括：获取分别目标对象的第一图像特征和观测对象的第二图像特征；对所述第一图像特征和所述第二图像特征进行N种特征类别的特征相似度计算，得到N组特征相似度结果；基于粗糙集的特征相似度对所述N组特征相似度结果进行筛选，并将筛选后的结果进行融合，得到特征融合结果；基于最大熵直觉模糊聚类，根据所述特征融合结果进行关联代价矩阵计算，得到关联代价矩阵计算结果；根据所述关联代价矩阵计算结果判断所述目标对象与所述观测对象是否关联，若是，则更新目标模型；若否，则对所述目标对象进行目标轨迹管理。

Multiobjective Tracking Method, Device and Storage Media for Video Targets

A multi-target tracking method, device and storage medium for video target. Among them, the multi-target tracking method of the video target includes: acquiring the first image feature of the target object and the second image feature of the observed object respectively; calculating the feature similarity of the first image feature and the second image feature with N feature categories to obtain the result of N feature similarity; and improving the result of the N feature similarity based on the feature similarity of rough set. The result of feature fusion is obtained by filtering and fusing the filtered results. Based on the maximum entropy intuitionistic fuzzy clustering, the correlation cost matrix is calculated according to the fusion result, and the calculation result of the correlation cost matrix is obtained. According to the calculation result of the correlation cost matrix, the correlation between the object and the observed object is judged. If so, the target model is updated. If not, the target trajectory is managed.

【技术实现步骤摘要】
视频目标的多目标跟踪方法、装置及存储介质
本申请涉及电子
，尤其涉及一种视频目标的多目标跟踪方法、装置及存储介质。
技术介绍
视频多目标跟踪是机器视觉的重要研究内容之一，主要获取视频中运动目标的位置、姿态、轨迹等基本运动信息。随着数字计算技术的发展，视频多目标跟踪已经打开多个研究领域及应用领域，涉及到智能视频监控、虚拟现实、人机交互、自动驾驶、交通管制、海洋学、智能机器人、遥控传感、生物医学等领域，吸引了越来越多的学者和研究人员的积极参与，取得了大量的研究成果。但在复杂背景和目标密集遮挡的环境下，多目标跟踪过程中存在很多不确定不完备的信息，如行人的形变、光照变化、虚假观测、目标之间的相互遮挡等，导致难以用传统的概率统计方法准确描述目标与观测的关系。目前，由于检测技术的发展，基于目标检测的视频目标跟踪算法得到了快速的发展和广泛的应用。这类方法根据检测的目标的位置、大小，标签、特征等估计目标的当前状态，不需要人工标记，并且在跟踪过程中可根据检测结果实时更新目标的状态。近年来，随着深度学习方法在视频目标检测上的应用，目标检测技术不断进步，视频多目标检测技术已经非常成熟，即使在杂波环境本文档来自技高网...

【技术保护点】
1.一种视频目标的多目标跟踪方法，其特征在于，包括：获取分别目标对象的第一图像特征和观测对象的第二图像特征；对所述第一图像特征和所述第二图像特征进行N种特征类别的特征相似度计算，得到N组特征相似度结果，所述N为大于1的整数；基于粗糙集的特征相似度对所述N组特征相似度结果进行筛选，并将筛选后的结果进行融合，得到特征融合结果；基于最大熵直觉模糊聚类，根据所述特征融合结果进行关联代价矩阵计算，得到关联代价矩阵计算结果；根据所述关联代价矩阵计算结果判断所述目标对象与所述观测对象是否关联，若是，则更新目标模型；若否，则对所述目标对象进行目标轨迹管理。

【技术特征摘要】
1.一种视频目标的多目标跟踪方法，其特征在于，包括：获取分别目标对象的第一图像特征和观测对象的第二图像特征；对所述第一图像特征和所述第二图像特征进行N种特征类别的特征相似度计算，得到N组特征相似度结果，所述N为大于1的整数；基于粗糙集的特征相似度对所述N组特征相似度结果进行筛选，并将筛选后的结果进行融合，得到特征融合结果；基于最大熵直觉模糊聚类，根据所述特征融合结果进行关联代价矩阵计算，得到关联代价矩阵计算结果；根据所述关联代价矩阵计算结果判断所述目标对象与所述观测对象是否关联，若是，则更新目标模型；若否，则对所述目标对象进行目标轨迹管理。2.根据权利要求1所述的方法，其特征在于，所述观测对象有j个，所述j为大于1的整数；所述对所述第一图像特征和所述第二图像特征进行N种特征类别的特征相似度计算，包括：计算所述第一图像特征分别与j个所述第二图像特征的特征相似度。3.根据权利要求1所述的方法，其特征在于，所述N等于7，7种特征类别分别为：距离、颜色、边缘、文理、形状、运动方向和重叠面积。4.根据权利要求3所述的方法，其特征在于，所述7种特征类别对应的相似性度量函数，包括：其中，f1(oi,zk)为空间距离特征相似性度量函数，f2(oi,zk)为几何尺寸特征相似性度量函数，f3(oi,zk)为运动方向特征相似性度量函数，f4(oi,zk)为颜色特征相似性度量函数，f5(oi,zk)为梯度方向特征相似性度量函数，f6(oi,zk)为文理特征相似性度量函数，f7(oi,zk)为重叠面积相似性度量函数；(xo,yo)为目标对象oi的中心坐标，(xz,yz)为观测对象zk的中心坐标，ho为目标对象oi的图像高度，为空间距离方差常量，hz为观测对象zk的图像高度，为几何尺寸方差常量，(x'o,y'o)为上一时刻目标对象oi的中心坐标，为上一时刻目标对象oi的速度在图像坐标轴上的投影，为运动方向方差常量，ρ(·)表示求巴氏系数，Hr(·)表示颜色直方图，为颜色直方图方差常量，Hg(·)表示分块梯度方向直方图特征，为梯度方向方差常量，Hl(·)表示文理特征直方图，为纹理特征方差常量，w(oi,zk)表示目标对象oi与观测对象zk之间的遮挡度，为重叠面积方差常量。5.根据权利要求4所述的方法，其特征在于，所述基于粗糙集的特征相似度对所述N组特征相似度结果进行筛选，包括：计算目标对象oi和观测对象zk对于特征fn的相似度，计算结果作为论域Un；所述特征fn为所述N种特征类别的任意一种特征；利用公式计算特征fn的决策属性对论域Un的依赖度γn；所述为所有特征fn的相似度大于τcf的观测集合，其中，当特征fn对应的依赖度γn大于或等于相似度阈值τcf时，则所述特征fn为有效特征，可参与后续的融合...

【专利技术属性】
技术研发人员：李良群，湛西羊，谢维信，刘宗香，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44