一种基于粒子滤波的视频多目标跟踪方法技术

本发明专利技术公开了一种基于粒子滤波的视频多目标跟踪方法，通过深度学习模型检测视频中的目标，利用基于粒子滤波器进行目标位置预测，再对目标进行轨迹匹配，从而实现非线性运动目标鲁棒跟踪的方法。本发明专利技术采用非线性及非高斯方式去估计问题，能够提升算法的性能；能有效排除复杂背景的干扰，实现相对简单、对条件约束较小、算法运行效率高。算法运行效率高。算法运行效率高。

【技术实现步骤摘要】
一种基于粒子滤波的视频多目标跟踪方法


[0001]本专利技术涉及智能视频监控领域，具体是一种基于粒子滤波的视频多目标跟踪方法。

技术介绍

[0002]随着目标检测和识别技术的发展，多目标跟踪得到了快速发展。目前领域研究方向主要以滤波技术为主，其思想为在一组给定的观测信息基础上实现对系统状态的实时估计和优化处理。
[0003]然而，当前MOT中的运动模型通常假设对象运动在短时间内是线性的，并且需要连续观察，因此这些现有方法对遮挡和非线性运动敏感，并且需要高帧率视频作为输入才能有好的跟踪效果。
[0004]近年来，国内外学术界、工业界提出了很多研究关键帧提取的方案。其中与本方案最接近的有：专利技术专利号为：201410079861.3，名称为：一种粒子滤波方法、装置及目标跟踪方法、装置，公开了一种粒子滤波方法、装置及目标跟踪方法、装置，提出了使用高斯
‑
厄米特积分的粒子滤波方法，但这种方法没有使用基于深度学习的目标检测方法，没有使用轨迹匹配策略。专利技术专利号为：201711337098.X，名称为：一种基于深度学习的自适应粒子滤波目标跟踪方法，公开了一种基于深度学习的自适应粒子滤波目标跟踪方法，建立浅层深度学习网络模型，采用深度特征和颜色表观特征求解观测模型，计算每个粒子的权值参数，计算目标当前状态，实时更新观测模型，但这种方法使用SVM分类器在离线训练时识别前景和背景，不能得到准确的目标包络框，区分方法相较于高斯混合背景模型计算量更大，并且没有使用轨迹匹配策略。
[0005]综上所述，当前的技术方案都具有一定的局限性。相比于其他基于粒子滤波的目标跟踪方法，本方法能够解决现有目标跟踪中背景复杂、低帧率输入等问题，从而实现非线性运动目标鲁棒跟踪。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术的主要目的在于提供一种通过深度学习模型检测视频中的目标，利用基于粒子滤波器进行目标位置预测，再对目标进行轨迹匹配，从而实现非线性运动目标鲁棒跟踪的方法。
[0007]为实现上述目的，本专利技术提供一种基于粒子滤波的视频多目标跟踪方法，包括如下步骤：
[0008]步骤1：初始化图像帧编号k为0；初始化轨迹编号c为0；
[0009]步骤2：根据公式(1)定义目标状态向量；
[0010][0011]其中，X
k,i
表示第k帧中第i个目标的状态，(x
i
,y
i
)表示该目标的中心点坐标，w
i
和
h
i
分别表示该目标的包络框的宽度和高度，表示目标在水平方向运动速度，表示目标在竖直方向运动速度；
[0012]根据公式(2)定义目标运动模型；
[0013][0014]其中，ΔT表示采样周期，V
k,i
表示多变量的高斯噪声；
[0015]根据公式(3)定义似然函数作为观测模型；
[0016][0017]其中，p(Y
k,i
|X
k,i
)表示后验概率密度函数，Y
k,i
表示第k帧中第i个目标观测状态，σ表示高斯分布方差，表示观测值，表示真实值，表示观测值与真实值之间的巴氏距离；
[0018]步骤3：按顺序获取监控的一帧并记为图像P，图像帧编号k＝k+1；
[0019]步骤4：采用预先训练好的YOLO系列模型，对图像P中的运动目标进行检测，得到当前帧检测目标集合Z
k
＝{z
k,i
＝<x
i
,y
i
,w
i
,h
i
,d
i
>|i＝1,2,
…
,m
k
}，z
k,i
表示第k帧中的第i个目标，d
i
表示该目标z
k,i
的置信度，m
k
表示第k帧中目标的个数；
[0020]根据公式(4)更新Z
k
，即删除满足条件d
i
＜τ
low
的检测目标；通过检测置信度阈值τ
high
和τ
low
将目标检测框分为高分检测目标集合ZHigh
k
和低分检测目标集合ZLow
k
，其中τ
high
表示高分阈值，τ
low
表示低分阈值；根据公式(5)和(6)计算ZHigh
k
和ZLow
k
；若d
i
≥τ
high
，则目标检测框是高分检测目标；若τ
low
≤d
i
＜τ
high
，则目标检测框是低分检测目标；
[0021][0022][0023][0024]步骤5：对于目标z
k,i
采用基于高斯混合背景模型的前后景区分方法提取目标前景front
k,i
；将目标z
k,i
的前景front
k,i
从BGR转化到HSV空间，进行直方图统计并归一化直方图；
[0025]步骤6：若k＝1，则为检测到的结果创建每个目标对应的轨迹HT
c
，每分配一条新轨迹，则c＝c+1；根据先验信息在前景front
k,i
区域内生成含有N个粒子的初始粒子集
初始时所有粒子权重其中表示第k帧中第i个目标第j个粒子的权重；转步骤3；
[0026]步骤7：通过序列重要性采样，根据公式(2)对粒子集中的粒子进行状态转移，得到新粒子集根据公式(3)和(7)更新粒子的权值，对于公式(3)，取候选目标的特征分布，取目标模板的特征分布；归一化粒子的权值；
[0027][0028]前景front
k,i
范围内重采样粒子，得到新粒子集更新粒子权重
[0029]通过基于HSV颜色直方图特征的粒子滤波得到第k
‑
1帧中m
k
‑1个目标在第k帧的预测状态，其中根据公式(8)计算第k帧中的第i个目标的状态估计得到目标z
k,i
预测目标的包络框pfbbox
k,i
中心点坐标以及其宽度和高度和高度
[0030]步骤8：计算第k帧高分检测目标集合ZHigh
k
中检测目标包络框detbbox
k,i
和第k
‑
1帧通过粒子滤波得到的预测目标包络框pfbbox
k,i
进行IOU匹配，计算代价矩阵；
[0031]步骤9：将步骤8中得到的代价矩阵作为匈牙利算法的输入，得到匹配结果；
[0032]步骤9.1：若轨迹HT
c
预测目标存在，但不存在与之匹配的检测目标，则将轨迹HT
c...

【技术保护点】

【技术特征摘要】
1.一种基于粒子滤波的视频多目标跟踪方法，其特征在于，包括如下步骤：步骤1：初始化图像帧编号k为0；初始化轨迹编号c为0；步骤2：根据公式(1)定义目标状态向量；其中，X
k,i
表示第k帧中第i个目标的状态，(x
i
,y
i
)表示该目标的中心点坐标，w
i
和h
i
分别表示该目标的包络框的宽度和高度，表示目标在水平方向运动速度，表示目标在竖直方向运动速度；根据公式(2)定义目标运动模型；其中，ΔT表示采样周期，V
k,i
表示多变量的高斯噪声；根据公式(3)定义似然函数作为观测模型；其中，p(Y
k,i
|X
k,i
)表示后验概率密度函数，Y
k,i
表示第k帧中第i个目标观测状态，σ表示高斯分布方差，表示观测值，表示真实值，表示观测值与真实值之间的巴氏距离；步骤3：按顺序获取监控的一帧并记为图像P，图像帧编号k＝k+1；步骤4：采用预先训练好的YOLO系列模型，对图像P中的运动目标进行检测，得到当前帧检测目标集合Z
k
＝{z
k,i
＝<x
i
,y
i
,w
i
,h
i
,d
i
>|i＝1,2,
…
,m
k
}，z
k,i
表示第k帧中的第i个目标，d
i
表示该目标z
k,i
的置信度，m
k
表示第k帧中目标的个数；根据公式(4)更新Z
k
，即删除满足条件d
i
＜τ
low
的检测目标；通过检测置信度阈值τ
high
和τ
low
将目标检测框分为高分检测目标集合ZHigh
k
和低分检测目标集合ZLow
k
，其中τ
high
表示高分阈值，τ
low
表示低分阈值；根据公式(5)和(6)计算ZHigh
k
和ZLow
k
；若d
i
≥τ
high
，则目标检测框是高分检测目标；若τ
low
≤d
i
＜τ
high
，则目标检测框是低分检测目标；，则目标检测框是低分检测目标；，则目标检测框是低分检测目标；步骤5：对于目标z
k,i
采用基于高斯混合背景模型的前后景区分方法提取目标前景
front
k,i
；将目标z
k,i
的前景front
k,i
从BGR转化到HSV空间，进行直方图统计并归一化直方图；步骤6：若k＝1，则为检测到的结果创建每个目标对应的轨迹HT
c
，每分配一条新轨迹，则c＝c+1；根据先验信息在前景front
k...

【专利技术属性】
技术研发人员：高飞，王志文，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：