一种基于自适应卡尔曼滤波的多目标动态跟踪方法技术

本发明专利技术公开了一种基于自适应卡尔曼滤波的多目标动态跟踪方法，使用基于恒速模型的卡尔曼滤波算法预测上一帧图片中追踪或丢失状态的跟踪目标在当前帧图片出现的位置，得到当前帧图片中目标的预测框位置；计算相机运动补偿后的预测框与检测框之间的DIOU距离，构造代价矩阵，匹配当前帧图片中的预测框与检测框；将匹配成功的跟踪目标设置状态为追踪；设置观测噪声，进入卡尔曼滤波更新阶段，更新结束后，重复上述过程追踪过程。本发明专利技术中基于恒速模型的卡尔曼滤波算法添加了相机运动补偿，在卡尔曼滤波更新阶段，依据置信度分数自适应调整观测噪声，从而提高多目标跟踪过程中关联匹配的准确性和目标位置估计精度。准确性和目标位置估计精度。准确性和目标位置估计精度。

【技术实现步骤摘要】
一种基于自适应卡尔曼滤波的多目标动态跟踪方法


[0001]本专利技术属于多目标跟踪
，具体涉及一种基于自适应卡尔曼滤波的多目标动态跟踪方法。

技术介绍

[0002]多目标跟踪是计算机视觉领域的一个重要课题，视觉跟踪通过在连续的视频图像序列中赋予目标唯一的ID号，估计跟踪目标的位置、形状等。多目标跟踪在自动驾驶、视频监控、军事侦察等多个领域有着广泛的应用。随着目标检测技术的不断改进、目标检测精度的提升，基于检测的多目标跟踪算法成为多目标跟踪任务最有效的范式。
[0003]基于检测的多目标跟踪算法分为检测和跟踪两个步骤。检测步骤中检测器检测出目标的类别和位置信息，是整个跟踪系统的基础。跟踪步骤中跟踪目标的运动轨迹，该步骤核心是运动(特征)模型建模和关联匹配两个部分。
[0004]运动模型建模假设目标的运动为恒定速度，卡尔曼滤波预测下一帧目标出现的位置，之后将预测框和检测框关联匹配。目标跟踪的效果依赖于卡尔曼滤波预测位置的准确性，在相机运动或者发生抖动的时候，预测框位置产生较大的偏移，这会导致后续的关联匹配失败，甚至会发生错误的匹配。
[0005]关联匹配结束后，进入目标跟踪的更新阶段，使用卡尔曼滤波的状态估计作为跟踪器的输出结果，合理的噪声参数可以产生良好的状态估计，得到准确的跟踪位置信息。一般的方法根据状态向量调整观测噪声，噪声因子设定为固定值，忽略了检测结果质量的差异。

技术实现思路

[0006]针对现有技术中存在不足，本专利技术提供了一种基于自适应卡尔曼滤波的多目标动态跟踪方法，解决了相机运动导致的运动模型预测不准确和更新阶段状态估计精度不理想的问题，提升了多目标跟踪过程中关联匹配的准确性和目标位置估计精度。
[0007]本专利技术是通过以下技术手段实现上述技术目的的。
[0008]一种基于自适应卡尔曼滤波的多目标动态跟踪方法：
[0009]使用基于恒速模型的卡尔曼滤波算法预测上一帧图片中追踪或丢失状态的跟踪目标在当前帧图片出现的位置，得到当前帧图片中目标的预测框位置；所述基于恒速模型的卡尔曼滤波算法添加相机运动补偿；计算相机运动补偿后的预测框与检测框之间的DIOU距离，构造代价矩阵，匹配当前帧图片中的预测框与检测框；将匹配成功的跟踪目标设置状态为追踪；
[0010]设置观测噪声，进入卡尔曼滤波更新阶段，更新结束后，重复上述追踪过程。
[0011]进一步地，所述相机运动补偿具体为：对上一帧图片中的跟踪目标框区域设置掩膜，提取不包含跟踪目标的图片背景区域的Fast特征点，之后跟踪Fast特征点从上一帧图片到当前帧图片的运动，计算上一帧图片到当前帧图片的仿射变换矩阵，对相机运动进行
补偿。
[0012]进一步地，所述设置观测噪声，具体为：
[0013][0014][0015]其中：R
t
为原始观测噪声，σ
m
、σ
c
为噪声因子，为上一帧图片中的跟踪目标框的宽度和高度，S为检测框的置信度分数，R
′
t
为依据置信度分数自适应调整过的观测噪声。
[0016]更进一步地，所述置信度分数自适应调整过的观测噪声，具体对高分检测框赋予较高的观测噪声、低分检测框赋予较低的观测噪声。
[0017]更进一步地，所述卡尔曼滤波更新过程为：
[0018]K
t
＝P
t
'H
T
(HP
t
'H
T
+R
′
t
)
‑1[0019][0020]P
t
＝(I
‑
K
t
H)P
t
'
[0021]其中：K
t
为卡尔曼滤波增益，P
t
′
为修正后卡尔曼滤波的预测协方差，z
t
表示检测框坐标，I为单位矩阵，H为状态观测矩阵，H
T
为状态观测矩阵的转置矩阵，为修正后的卡尔曼滤波预测值，为目标轨迹状态向量。
[0022]进一步地，所述DIOU距离的计算公式为：
[0023][0024]其中：IOU是预测框与检测框交集面积与并集面积的比值，c为检测框与预测框中心点距离，d为检测框与预测框的最小外接矩形对角线长度。
[0025]本专利技术的有益效果为：
[0026](1)本专利技术在使用基于恒速模型的卡尔曼滤波算法预测上一帧图片中追踪或丢失状态的跟踪目标在当前帧图片出现的位置时，基于恒速模型的卡尔曼滤波算法添加相机运动补偿，使得预测框更加接近目标真实位置，解决了相机运动导致的运动模型预测不准确问题，提高多目标跟踪过程中关联匹配的准确性；
[0027](2)本专利技术在卡尔曼滤波更新阶段，依据置信度分数自适应调整观测噪声，解决更新阶段状态估计精度不理想的问题，提高多目标跟踪过程中目标位置估计的精度。
附图说明
[0028]图1为本专利技术所述自适应卡尔曼滤波的多目标动态跟踪方法框图；
[0029]图2为本专利技术所述相机运动补偿流程图；
[0030]图3为本专利技术所述Fast特征点提取示意图；
[0031]图4为本专利技术所述LK光流法跟踪特征点示意图；
[0032]图5(a)为本专利技术添加相机运动补偿前效果图；
[0033]图5(b)为本专利技术添加相机运动补偿后效果图。
具体实施方式
[0034]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0035]如图1所示，本专利技术一种基于自适应卡尔曼滤波的多目标动态跟踪方法，具体如下：
[0036]一、通过Yolox目标检测算法检测当前帧图片，得到检测框的位置和置信度分数；
[0037]检测框的位置作为卡尔曼滤波更新阶段的观测值，即检测框坐标(x
d
,y
d
,w
d
,h
d
)，其中x
d
、y
d
为检测框中心点坐标，w
d
为检测框的宽，h
d
为检测框的高；
[0038]根据检测的置信度分数将检测框分为高分检测框和低分检测框：置信度分数大于等于0.5的设置为高分检测框，置信度分数大于0.1并且小于0.5的设置为低分检测框，在之后的关联匹配过程中，优先匹配高分检测框，然后再匹配低分检测框。
[0039]二、使用基于恒速模型的卡尔曼滤波算法预测上一帧图片中处于追踪状态或丢失状态的跟踪目标在当前帧图片出现的位置，得到当前帧图片中目标的预测框位置，卡尔曼滤波预测过程如下：
[0040][0041]P
t
‑
＝FP
t
‑1F
T
+Q
t
[0042][0043]其中：为卡尔曼滤波预测值，F为状态转移矩阵，P...

【技术保护点】

【技术特征摘要】
1.一种基于自适应卡尔曼滤波的多目标动态跟踪方法，其特征在于：使用基于恒速模型的卡尔曼滤波算法预测上一帧图片中追踪或丢失状态的跟踪目标在当前帧图片出现的位置，得到当前帧图片中目标的预测框位置；所述基于恒速模型的卡尔曼滤波算法添加相机运动补偿；计算相机运动补偿后的预测框与检测框之间的DIOU距离，构造代价矩阵，匹配当前帧图片中的预测框与检测框；将匹配成功的跟踪目标设置状态为追踪；设置观测噪声，进入卡尔曼滤波更新阶段，更新结束后，重复上述追踪过程。2.根据权利要求1所述的多目标动态跟踪方法，其特征在于，所述相机运动补偿具体为：对上一帧图片中的跟踪目标框区域设置掩膜，提取不包含跟踪目标的图片背景区域的Fast特征点，之后跟踪Fast特征点从上一帧图片到当前帧图片的运动，计算上一帧图片到当前帧图片的仿射变换矩阵，对相机运动进行补偿。3.根据权利要求1所述的多目标动态跟踪方法，其特征在于，所述设置观测噪声，具体为：为：其中：R
t
为原始观测噪声，σ
m
、σ
c
为噪声因子，为上一帧图片中的跟踪目标框的宽度和高度，S为检测框的置信度分数，R
′
t
为依据置信度分数自适应调整过的观测噪声。4.根据权利要求3所述的多目标动...

【专利技术属性】
技术研发人员：汤传业，闫家好，陈建锋，周卫琪，吴豪杰，田翔，马振，
申请(专利权)人：江苏大学，
类型：发明
国别省市：