一种噪声控制多目标跟踪方法技术

本发明专利技术涉及一种噪声控制多目标跟踪方法，属于图像处理技术领域。本发明专利技术将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合。通过引入先验降噪模块去除融合冗余噪声，计算融合结果中热力图中心点的梯度，获取目标中心点进行目标检测。对检测结果进行平滑增益卡尔曼滤波,获取目标的运动信息。结合运动信息对帧间目标进行数据关联，获得目标运动轨迹。设计梯度加速轨迹重连接模块，对碎片轨迹与中断轨迹进行轨迹重连接，获得精确的跟踪结果。本发明专利技术不仅提高了小目标跟踪和复杂环境跟踪场景下跟踪精度，而且提升了数据关联中运动信息的获取，缓解了轨迹漂移的问题。缓解了轨迹漂移的问题。缓解了轨迹漂移的问题。

【技术实现步骤摘要】
一种噪声控制多目标跟踪方法


[0001]本专利技术涉及一种噪声控制多目标跟踪方法，属于图像处理


技术介绍

[0002]随着人工智能技术的飞速发展，基于计算机视觉技术的智能监控系统、自动驾驶领域较以往取得了重大的突破，进一步减少了人力资源的浪费，提高了安防和交通领域的安全性。视觉多目标跟踪技术是这些领域中的关键基础性技术之一，视觉目标跟踪算法的准确鲁棒性对于进一步提升高层智能应用的安全有效性具有重要意义。多目标跟踪任务需要保证跟踪的实时性与准确性，传统的基于检测器的跟踪算法过于依赖检测器，外界环境的遮挡、光照、形变等因素对检测造成的轻微误差都会极大影响前后帧间的数据关联，从而导致跟踪目标丢失进而使跟踪轨迹中断。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种噪声控制多目标跟踪方法，提高在小目标跟踪和复杂环境跟踪场景下的跟踪精度，从而解决上述问题。
[0004]本专利技术的技术方案是：一种噪声控制多目标跟踪方法，通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵，进一步得到平滑增益，获取目标的运动信息，具体步骤为：
[0005]Step1：通过摄像头获取视频数据。
[0006]Step2：将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合，通过引入先验降噪模块去除融合冗余噪声。
[0007]Step3：对融合结果进行特征提取，获得不同感受野的热力图融合特征，计算融合结果中热力图中心点的梯度，获取目标中心点进行目标检测。/>[0008]Step4：对检测结果进行平滑增益卡尔曼滤波，通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵，进一步得到平滑增益，获取目标的运动信息。
[0009]Step5：结合运动信息对帧间目标进行数据关联，获得目标运动轨迹。
[0010]Step6：设计梯度加速轨迹重连接模块，对碎片轨迹与中断轨迹进行轨迹重连接，获得精确的跟踪结果。
[0011]所述Step2具体为：
[0012]Step2.1：将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合。
[0013]Step2.2：将融合特征的C_256与C_128输入先验降噪模块中。
[0014]Step2.3：通过无偏置的特征提取与特征重组去除融合特征的冗余噪声。
[0015]所述Step4具体为：
[0016]Step4.1：计算测量预拟合残差。
[0017]Step4.2：通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵
SG_R
k
，其中高斯半径σ为3。
[0018]Step4.3：计算预拟合残差协方差。
[0019]Step4.4：基于通过高斯函数平滑后的自适应观测噪声矩阵计算卡尔曼增益矩阵，确保卡尔曼滤波增益的稳定性。
[0020]Step4.5：更新系统估计值。
[0021]Step4.6：计算更新后的估计协方差矩阵。
[0022]本专利技术与现有技术相比，首次引入先验降噪模块去除热力图融合冗余噪声；结合自适应观测噪声进行平滑突变噪声的卡尔曼滤波，稳定获取目标运动信息；设计梯度加速轨迹重连接模块，通过梯度加速决策树算法自适应重连接碎片轨迹。
[0023]本专利技术基于无锚框的多目标跟踪算法早期特征融合导致的语义信息冗余问题；传统方法仅能基于常数观测噪声的卡尔曼滤波计算运动信息，无法平稳结合跟踪系统信息进一步获取运动信息的问题；轨迹重连接缺少考虑轨迹真值的趋势，重连接结果偏差大的问题。
[0024]本专利技术的有益效果是：本专利技术是控制跟踪各阶段噪声的多目标跟踪方法。本专利技术与现有技术相比，本方法解决了以下三个问题：基于无锚框的多目标跟踪算法早期特征融合导致的语义信息冗余问题；传统方法仅能基于常数观测噪声的卡尔曼滤波计算运动信息，无法平稳结合跟踪系统信息进一步获取运动信息的问题；轨迹重连接缺少考虑轨迹真值的趋势，重连接结果偏差大的问题。本方法不仅提高了小目标跟踪和复杂环境跟踪场景下跟踪精度，而且提升了数据关联中运动信息的获取，缓解了轨迹漂移的问题。
附图说明
[0025]图1是本专利技术的流程图。
[0026]图2是本专利技术的多目标跟踪的整体网络图。
[0027]图3是本专利技术所设计的热力图特征先验降噪的原理说明图。
[0028]图4是本专利技术所设计的平滑增益卡尔曼滤波的原理说明图。
[0029]图5是本专利技术的梯度加速轨迹重连接的原理说明图。
具体实施方式
[0030]下面结合附图和具体实施方式，对本专利技术作进一步说明。
[0031]实施例1：如图1所示，一种噪声控制多目标跟踪方法，具体步骤如下：
[0032]Step1：读取摄像头视频信息。
[0033]Step2：将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合，通过引入先验降噪模块去除融合冗余噪声。
[0034]Step2.1：将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合；
[0035]通过卷积、正则化与激活函数对当前帧、前一帧以及当前帧热力图进行初步的特征提取，三者在提取特征时是共享权重的。三者进行完加法融合后，融合特征的尺寸为：544
×
960
×
16。
[0036]Step2.2：将融合特征的C_256与C_128输入先验降噪模块中；
[0037]如图2所示，对544
×
960
×
16的融合特征进行进一步特征提取，获得16至512通道的不同感受野的特征。为了实现精度与速度的权衡，选择将融合特征的C_256与C_128输入先验降噪模块中。
[0038]Step2.3：通过无偏置的特征提取与特征重组去除融合特征的冗余噪声；
[0039]如图3所示，先验降噪模块由四个尺度组成，每个尺度在2x2步幅卷积下变换和2x2反卷积上变换操作之间有一个身份跳转连接，从第一尺度到第四尺度每层的通道数分别为64、128、256和512。此外，为了保证模型的泛化性，模型中的步幅卷积和反卷积层中没有使用偏置。
[0040]Step3：对融合结果进行特征提取，获得不同感受野的热力图融合特征，计算融合结果中热力图中心点的梯度，获取目标中心点进行目标检测；
[0041]Step4：如图4所示，对检测结果进行平滑增益卡尔曼滤波,通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵，进一步得到平滑增益，获取目标的运动信息；
[0042]Step4.1：计算测量预拟合残差；
[0043][0044]其中，为预拟合残差，z
k
为原拟合残差，H
k
为观测模型，预测估计状态。
[0045]Step4.2：通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵SG_R
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种噪声控制多目标跟踪方法，其特征在于：Step1：通过摄像头获取视频数据；Step2：将跟踪数据的当前帧、前一帧以及当前帧热力图进行特征提取与加法融合，通过引入先验降噪模块去除融合冗余噪声；Step3：对融合结果进行特征提取，获得不同感受野的热力图融合特征，计算融合结果中热力图中心点的梯度，获取目标中心点进行目标检测；Step4：对检测结果进行平滑增益卡尔曼滤波，通过将高斯函数与检测结果置信度结合获取平滑自适应观测噪声矩阵，获取目标的运动信息；Step5：结合运动信息对帧间目标进行数据关联，获得目标运动轨迹；Step6：设计梯度加速轨迹重连接模块，对碎片轨迹与中断轨迹进行轨迹重连接，获得精确的跟踪结果。2.根据权利要求1所述的噪声控制多目标跟踪方法，其特征在于，所述Step2...

【专利技术属性】
技术研发人员：曾凯，游雨婕，朱艳，沈韬，王青旺，陶智敏，汪志锋，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：