基于TSK模糊系统的多目标跟踪方法、装置及存储介质制造方法及图纸

根据本发明专利技术实施例公开的基于TSK模糊系统的多目标跟踪方法、装置及存储介质，首先判断拥有稳定航迹的目标数是否大于0；若是，则构建TSK模糊分类器，并将观测集输入至TSK模糊分类器，得到标签向量矩阵，然后对标签向量矩阵进行数据关联；若否，则计算目标集中的目标对象与观测集中的观测对象之间的特征相似度，并将特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对隶属度矩阵进行数据关联；最后基于数据关联结果进行轨迹管理。通过本发明专利技术的实施，建立TSK模糊分类器来对稳定航迹和观测进行关联，并利用TSK模糊模型对新观测进行简易数据关联，能够准确地完成目标与观测间的数据关联，实现对视频多目标的准确跟踪。

Multi-target tracking method, device and storage medium based on TSK fuzzy system

【技术实现步骤摘要】
基于TSK模糊系统的多目标跟踪方法、装置及存储介质
本专利技术涉及目标跟踪
，尤其涉及一种基于TSK模糊系统的多目标跟踪方法、装置及存储介质。
技术介绍
视频多目标跟踪技术可以简单的理解为：在视频图像序列中，通过算法检测出多个感兴趣的目标，标记其位置得到对应的标签，最终获得目标完整的运动轨迹。基于检测的视频多目标跟踪技术将视频多目标跟踪分为两个方面：一是目标检测，即选用合适的目标检测方法得到感兴趣目标的观测；二是数据关联，即通过数据关联将不同时刻下的观测匹配给正确的目标，从而形成每个目标的运动轨迹。由此，能否进行准确的数据关联对整个目标跟踪结果起着重要的作用。在实际应用中，在进行视频多目标跟踪时，目标的外观特征和动态模型表现出非常强的非线性非高斯特性，从而造成跟踪过程中具有较大的不确定性。目前，通常采用传统的概率方法来所建立的模型来进行数据关联，然而传统概率方法所建立的模型的分类精度和可解释性较低，使得目标与观测的数据关联准确性较低，无法实现视频多目标的准确跟踪。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于TSK模糊系统的多目标跟踪方法、装置及存储介质，至少能够解决相关技术中采用传统概率方法所建立的模型的分类精度和可解释性较低，所导致的目标与观测的数据关联准确性较低，无法实现视频多目标的准确跟踪的问题。为实现上述目的，本专利技术实施例第一方面提供了一种基于TSK模糊系统的多目标跟踪方法，该方法包括：对图像中的运动目标进行检测得到观测集，并判断拥有稳定航迹的目标数是否大于0；在所述拥有稳定航迹的目标数大于0时，构建TSK模糊分类器，并将所述观测集输入至所述TSK模糊分类器，得到标签向量矩阵，然后对所述标签向量矩阵进行数据关联；在所述拥有稳定航迹的目标数小于或等于0时，计算目标集中的目标对象与所述观测集中的观测对象之间的特征相似度，并将所述特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对所述隶属度矩阵进行数据关联；基于数据关联结果进行轨迹管理。为实现上述目的，本专利技术实施例第二方面提供了一种基于TSK模糊系统的多目标跟踪装置，该装置包括：判断模块，用于对图像中的运动目标进行检测得到观测集，并判断拥有稳定航迹的目标数是否大于0；第一关联模块，用于在所述拥有稳定航迹的目标数大于0时，构建TSK模糊分类器，并将所述观测集输入至所述TSK模糊分类器，得到标签向量矩阵，然后对所述标签向量矩阵进行数据关联；第二关联模块，用于在所述拥有稳定航迹的目标数小于或等于0时，计算目标集中的目标对象与所述观测集中的观测对象之间的特征相似度，并将所述特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对所述隶属度矩阵进行数据关联；管理模块，用于基于数据关联结果进行轨迹管理。为实现上述目的，本专利技术实施例第三方面提供了一种电子装置，该电子装置包括：处理器、存储器和通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述任意一种基于TSK模糊系统的多目标跟踪方法的步骤。为实现上述目的，本专利技术实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种基于TSK模糊系统的多目标跟踪方法的步骤。根据本专利技术实施例提供的基于TSK模糊系统的多目标跟踪方法、装置及存储介质，首先判断拥有稳定航迹的目标数是否大于0；若是，则构建TSK模糊分类器，并将观测集输入至TSK模糊分类器，得到标签向量矩阵，然后对标签向量矩阵进行数据关联；若否，则计算目标集中的目标对象与观测集中的观测对象之间的特征相似度，并将特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对隶属度矩阵进行数据关联；最后基于数据关联结果进行轨迹管理。通过本专利技术的实施，建立TSK模糊分类器来对稳定航迹和观测进行关联，并利用TSK模糊模型对新观测进行简易数据关联，能够准确地完成目标与观测间的数据关联，实现对视频多目标的准确跟踪。本专利技术其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本专利技术说明书中的记载变的显而易见。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术第一实施例提供的多目标跟踪方法的流程示意图；图2为本专利技术第一实施例提供的TSK模糊分类器的构建方法的流程示意图；图3为本专利技术第一实施例提供的隶属度矩阵的构建方法的流程示意图；图4为本专利技术第一实施例提供的输入变量的隶属度函数示意图；图5为本专利技术第一实施例提供的真实场景中所输出的观测示意图；图6为本专利技术第一实施例提供的目标与观测之间的遮挡示意图；图7为本专利技术第一实施例提供的轨迹管理方法的流程示意图；图8为本专利技术第二实施例提供的多目标跟踪装置的结构示意图；图9为本专利技术第三实施例提供的电子装置的结构示意图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。第一实施例：为了解决相关技术中采用传统概率方法所建立的模型的分类精度和可解释性较低，所导致的目标与观测的数据关联准确性较低，无法实现视频多目标的准确跟踪的技术问题，本实施例提出了一种基于TSK模糊系统的多目标跟踪方法，如图1所示为本实施例提供的多目标跟踪方法的基本流程示意图，本实施例提出的多目标跟踪方法包括以下的步骤：步骤101、对图像中的运动目标进行检测得到观测集，并判断拥有稳定航迹的目标数是否大于0。具体的，运动目标检测是视频多目标跟踪的基础，本实施例将所得到的目标的检测结果作为后续目标关联的观测，应当理解的是，本实施例的TSK模糊系统包括TSK模糊分类器及TSK模糊模型。在本实施例中，对拥有稳定航迹的目标数进行判断，对已有的稳定航迹进行TSK模糊分类器训练，利用分类器模型对观测与拥有稳定航迹目标进行准确数据关联，对新观测则是利用TSK模糊模型进行简易数据关联。在本实施例中，可以采用混合高斯背景模型对运动目标进行检测。高斯背景模型，是将一个像素点在视频中所有的灰度值看成一个随机过程，利用高斯分布描述像素点像素值的概率密度函数。其中，定义I(x,y,t)表示像素点(x,y)在t时刻的像素值，则有：式中，η为高斯概率密度函数，μt和σt分别是像素点(x,y)在t时刻的均值和标准差。假设有图像序列I(x,y,0)，I(x,y,1)，…，I(x,y,N-1)，那么对于像素点(x,y)，它的初始背景模型的期望值μ0(x,y)和偏差σ0(x,y)分别用下述的公式计算：式中，N表示视频的图像帧数，μ0(x,y)是坐标为(x,y)的像素的平均灰度值，σ0(x,y)是像素(x,y)灰度值得方差。在t时刻，按照下本文档来自技高网...

【技术保护点】
1.一种基于TSK模糊系统的多目标跟踪方法，其特征在于，包括：对图像中的运动目标进行检测得到观测集，并判断拥有稳定航迹的目标数是否大于0；在所述拥有稳定航迹的目标数大于0时，构建TSK模糊分类器，并将所述观测集输入至所述TSK模糊分类器，得到标签向量矩阵，然后对所述标签向量矩阵进行数据关联；在所述拥有稳定航迹的目标数小于或等于0时，计算目标集中的目标对象与所述观测集中的观测对象之间的特征相似度，并将所述特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对所述隶属度矩阵进行数据关联；基于数据关联结果进行轨迹管理。

【技术特征摘要】
1.一种基于TSK模糊系统的多目标跟踪方法，其特征在于，包括：对图像中的运动目标进行检测得到观测集，并判断拥有稳定航迹的目标数是否大于0；在所述拥有稳定航迹的目标数大于0时，构建TSK模糊分类器，并将所述观测集输入至所述TSK模糊分类器，得到标签向量矩阵，然后对所述标签向量矩阵进行数据关联；在所述拥有稳定航迹的目标数小于或等于0时，计算目标集中的目标对象与所述观测集中的观测对象之间的特征相似度，并将所述特征相似度输入至TSK模糊模型，得到隶属度矩阵，然后对所述隶属度矩阵进行数据关联；基于数据关联结果进行轨迹管理。2.如权利要求1所述的多目标跟踪方法，其特征在于，所述构建TSK模糊分类器包括：提取m条稳定航迹的所有运动特征集合，并对所述运动特征集合构建多输出回归数据集；将不同目标划分到不同模糊集，计算所述运动特征集合中各特征相对第k’个模糊规则的模糊隶属度；基于所述多输出回归数据集以及所述模糊隶属度，训练出第j个稳定航迹的TSK模糊分类器的后件参数，并基于所训练得到的后件参数构建TSK模糊分类器。3.如权利要求2所述的多目标跟踪方法，其特征在于，所述TSK模糊分类器表示如下：其中，IF部分为规则前件，THEN部分为规则后件,K’是模糊规则的数量，分别为第k条规则的输入变量x’、z’对应的模糊子集，and是模糊连接算子，fk′(u)为每条模糊规则的输出结果，(x’，z’)为运动特征，为运动特征中心向量。4.如权利要求1所述的多目标跟踪方法，其特征在于，所述将所述特征相似度输入至TSK模糊模型，得到隶属度矩阵包括：将所述特征相似度输入至TSK模糊模型，得到每条模糊规则的输出结果；计算所述每条模糊规则的权重，并基于所述每条模糊规则的权重对所述每条模糊规则的输出结果进行加权平均，得到所述目标对象与所述观测对象之间的隶属度；基于所述隶属度构建得到隶属度矩阵。5.如权利要求4所述的多目标跟踪方法，其特征在于，所述TSK模糊模型表示如下：其中，IF部分为规则前件，THEN部分为规则后件,K是模糊规则的数量，是第k条规则的输入变量xd对应的模糊子集，and是模糊连接算子，输入变量x＝[x1,x2,...,xd]T为每条模糊规则的前件变量,d为x的维度，为后件变量，fk(x)为每条模糊规则的输出结果。6.如权利要求1至5中任意一项所述的多目标跟踪方法，其特征在于，所述基于数据关联结果进行轨迹管理包括：从未被关联上的观测对象中确定新...

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