一种基于结构稀疏表示的交通目标跟踪方法技术

一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：S100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；S200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；S300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；S400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹‑检测响应关联概率进行数据关联。该方法对交通场景中的运动目标进行跟踪，可以有效提高目标跟踪的鲁棒性和跟踪精度。

A traffic target tracking method based on sparse representation of structure

A traffic multi-target tracking method based on structure sparse representation includes the following steps: S100: using the geometric position relationship between the traffic moving target and the detection response and the spatial constraint relationship based on the appearance change to build the spatio-temporal constraint model of the traffic moving target; S200: using the spatio-temporal constraint model to obtain the improved sparse representation appearance model, the improved sparse representation Appearance model is obtained by discriminant sparse representation based on weight constraint and local sparse representation based on occlusion analysis; S300: detection response estimation based on spatiotemporal constraint model and improved sparse representation appearance model to obtain optimal detection response; S400: track association estimation based on optimal detection response to obtain final track \u2011 detection Response association probability is used for data association. This method can effectively improve the robustness and tracking accuracy of target tracking.

【技术实现步骤摘要】
一种基于结构稀疏表示的交通目标跟踪方法
本公开属于视频信息处理分析，计算机视觉领域，具体涉及一种基于结构稀疏表示的交通目标跟踪方法。
技术介绍
动态交通场景中对车辆或行人的跟踪是智能交通领域研究的一个重点内容。在智能交通平台中对多个交通目标进行跟踪的目的是定位交通场景周围的目标，使车辆能够快速感知周围环境。该项技术可以使驾驶员快速了解驾驶环境，有助于提高交通安全。多交通目标跟踪技术作为智能交通系统(intelligenttransportationsystem，ITS)的核心技术，在视频监控、交通安全、汽车辅助驾驶系统等行业中有着广泛的应用。然而，在动态交通场景中，多交通目标跟踪是一项更具挑战性的任务，该场景中的视频图像是通过安装在移动车辆上的摄像头获取的。在这种情况下，由于目标的快速运动、车辆间的相互遮挡加之车辆的转弯等现象，会造成被跟踪车辆的跟踪边界框发生剧烈的变化。此外，由于车辆运动过程中周围的场景是动态变化的，与传统的行人跟踪等低速跟踪相比，运动车辆跟踪中的遮挡、视角变化、光线及尺度等的变化更为严重。因此，在动态场景中对多交通目标可靠有效的跟踪仍然是一个挑战性的问题。目前，主流的多目标跟踪方法主要遵循检测-跟踪的(tracking-by-detection，TBD)框架。虽然基于TBD范式的MOT跟踪方法在多目标跟踪中取得了显著的成效，但是，针对动态场景中的交通目标跟踪方法比较少。遮挡问题是动态交通场景中的一个普遍问题。由于动态场景中遮挡及交通目标的快速运动，会引起目标外观发生剧烈的变化，从完整到部分可见，从而导致数据关联匹配失败的问题。并且，动态交通场景中长时间的遮挡会造成目标外观模型包含大量的错误样本，引起目标跟丢问题。此外，在动态交通场景中，由于运动目标的突然加速或制动等现象，会造成目标运动位置错误估计的问题。
技术实现思路
鉴于此，本公开提供了一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：S100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；S200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；S300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；S400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联。通过上述技术方案，本方法对交通场景中的运动目标进行跟踪，降低动态交通场景中误检及遮挡对多目标跟踪的影响，可以有效提高目标跟踪的鲁棒性和跟踪精度。附图说明图1是本公开一个实施例中所提供的一种基于结构稀疏表示的交通目标跟踪方法的流程示意图。图2是本公开一个实施例中依据几何关系建立的时域约束示意图。图3(a)至图3(c)是本公开一个实施例中稀疏外观建模过程中基于稀疏表示的样本采样示意图。图4是本公开一个实施例中本方法不同组成部分在KTTTI视频库验证集上基于多目标跟踪性能指标的对比示意图。具体实施方式下面结合附图1至图4对本专利技术进行进一步的详细说明。在一个实施例中，参见图1，其公开了一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：S100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；S200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；S300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；S400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联。就该实施例而言，该方法强调目标外观模型在多目标跟踪中的重要性，首先利用运动目标与检测响应之间的时空关系构建相应的结构约束模型，然后提出基于结构约束模型的权值约束判别式稀疏外观表示方法和遮挡分析的局部稀疏外观表示方法，降低误检及遮挡对多目标跟踪性能的影响。最后，该方法将轨迹与检测响应的数据关联问题划分为检测响应估计和轨迹关联估计两部分，基于时空约束模型进行检测响应估计，获得相应的最优检测响应。然后基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联，得到当前的目标轨迹，实现动态场景中交通目标的跟踪，有效提高目标跟踪的鲁棒性和跟踪精度。基于Bayesian框架提出的一种基于时空约束稀疏表示的多交通目标跟踪方法，是基于TBD的在线多目标跟踪方法，其一个关键任务是将当前帧中的N个检测响应与M条轨迹进行关联，生成当前的轨迹。假设第t帧中，存在N个检测响应M条轨迹表示与第j条轨迹Tj相关联的检测响应，ts和te表示轨迹Tj的起始帧和终止帧，表示第k帧中与轨迹Tj相关联的检测响应。基于Bayesian规则，通过最大化和之间的后验概率获得轨迹关联，得到当前帧的轨迹。式中，是和基于目标观测状态的轨迹估计，是和之间的条件概率。由于在线MOT跟踪中，基于Bayesian框架的和之间的数据关联随时间的递增会指数增加。因此，使用遍历搜索方法求解式中的优化关联是很难的。本方法将其分解为基于时空约束的两个估计状态：其中，通过基于时空约束的检测响应估计，可以获得第t帧中最优的检测响应是基于最优检测响应的轨迹估计。在另一个实施例中，所述S100进一步包括：对于当前帧中的N个检测响应与M条轨迹，存在M个交通运动目标状态针对N个检测响应所建立的时空约束模型为：M，N为正整数，对于第t帧中任意的检测响应表示与的关联索引，中与时空关联建立的条件是rti，k＝1；其中，第t帧中，对于任意的交通运动目标状态和检测响应其对应的时空约束模型为：rti，j＝fst∪fa，rti，j∈{0，1}式中，和为交通运动目标状态的中心位置坐标，和为检测响应的中心位置坐标，w和h分别为交通运动目标状态对应边界框的宽度和高度，fst是基于交通运动目标状态与检测响应几何关系的时域约束；如果和代表同一个交通运动目标，则它们的几何位置将很近，fst＝1表示与在时域上关联，反之，fst＝0表示与在时域上不关联；fa是和基于外观变化的空域关系约束，描述交通运动目标与检测响应在连续帧中的空域关系；表示和的外观差异，如果和之间基于稀疏表示的外观差异小于预定义阈值，则与在空域上关联，fa＝1，反之，fa＝0表示与在空域上未关联；和分别表示第i个检测响应和j个交通运动目标状态的稀疏直方图，D′表示稀疏直方图的维度，τ为预定义阈值；rti，j表示和之间的关联索引，其值由fst和fa共同决定。就该实施例而言，所述的跟本文档来自技高网...

【技术保护点】
1.一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：/nS100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；/nS200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；/nS300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；/nS400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联。/n

【技术特征摘要】
1.一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：
S100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；
S200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；
S300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；
S400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联。


2.根据权利要求1所述的方法，所述S100进一步包括：
对于当前帧中的N个检测响应与M条轨迹，存在M个交通运动目标状态针对N个检测响应所建立的时空约束模型为：






M，N为正整数，对于第t帧中任意的检测响应表示与的关联索引，中与时空关联建立的条件是
其中，优选的，第t帧中，对于任意的交通运动目标状态和检测响应其对应的时空约束模型为：









式中，和为交通运动目标状态的中心位置坐标，和为检测响应的中心位置坐标，w和h分别为交通运动目标状态对应边界框的宽度和高度，fst是基于交通运动目标状态与检测响应几何关系的时域约束；如果和代表同一个交通运动目标，则它们的几何位置将很近，fst＝1表示与在时域上关联，反之，fst＝0表示与在时域上不关联；fa是和基于外观变化的空域关系约束，描述交通运动目标与检测响应在连续帧中的空域关系；表示和的外观差异，如果和之间基于稀疏表示的外观差异小于预定义阈值，则与在空间上关联，fa＝1，反之，fa＝0表示与在空域上未关联；和分别表示第i个检测响应和j个交通运动目标状态的稀疏直方图，D′表示稀疏直方图的维度，τ为预定义阈值；表示和之间的关联索引，其值由fst和fa共同决定。


3.根据权利要求1所述的方法，所述S200进一步包括：
S201：基于稀疏表示的样本采集，具体为：
对于第t帧中任意的检测响应利用轨迹的历史信息构建相应的稀疏表示字典模板其中，t为正整数，和分别表示轨迹的起始帧和终止帧，n表示字典模板的数目；为检测响应的灰度值，将其归一化为32×32的大小并将其转换为列向量；
对于第t帧中任意的轨迹从轨迹的历史轨迹中采集Np个正样本，从的互斥轨迹中采集Nn个负样本，其中，Np，Nn为正整数；对于任意的仅从中采集n′个候选检测响应，n′为正整数；根据所述的时空约束模型消除中不可能成为下一帧目标状态的候选检测响应，从而获得基于时空约束的交通运动目标的稀疏样本；
S202：基于权值约束的判别式稀疏表示，具体为：
对于任意的轨迹经所述交通运动目标的时空约束模型计算所获得的候选检测响应为令K＝32×32，引入目标模板Fi权值约束对于候选检测响应z，其对应的稀疏系数αi求解为：



式中，λ为规则化参数，z表示任意帧中的任意一个候选检测响应；
然后获得候选检测响应z的相似度为：
H(z)＝exp(-(ε+-ε-)/σ)
式中为候选检测响应z基于正样本稀疏模板集F+中Np个正样本的重构误差，是相应的稀疏系数向量；是候选检测响应z基于负样本稀疏模板集F-中Nn个负样本的重构误差，是相应的稀疏系数向量；σ是调节侯选检测响应z相似度的常数；
S203：局部稀疏...

【专利技术属性】
技术研发人员：杨红红，张玉梅，吴晓军，高晟，王云鹏，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61