基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法技术

本发明专利技术提供一种基于马尔可夫蒙特卡洛(MCMC)算法的多目标车辆跟踪方法，该方法采用了MCMC方法对跟踪过程进行建模，建立多种预选状态，再利用基于Metropolis-Hastings抽样的模拟退火算法对预选状态进行遍历，选取具有最大连接概率的预选状态为最优解。本方法首次给出转移等效的限制，同时对数据关联中的参数通过实验数据回归拟合进行估计，从而得到最大后验概率意义下的最优车辆运动轨迹，实现了车辆的跟踪，解决了多目标车辆经常出现的遮挡分裂问题，具有跟踪精度高，实时性好的优点。

【技术实现步骤摘要】

本专利技术涉及利用机器视觉技术进行视频分割和跟踪，更具体地，涉及一种机器视 觉结合马尔可夫蒙特卡洛算法的多目标车辆跟踪方法。
技术介绍
随着经济的发展，人民生活水平的提高，汽车变得越来越普及，随之而来的是，交 通事故，车辆堵塞经常发生，交通状况受到越来越大的重视，视频监控系统的产生成为一种 必然趋势，视频监控系统的实质就是对视频场景中的车辆进行检测，再根据车辆的一系列 特性对其运动轨迹进行跟踪。目标跟踪是视频监控系统中一个重要的组成部分，它描述了 场景中运动着的物体的一种时空关系，其实质就是从观察值序列中有效抽取目标特征的有 用信息，从而得到一系列的观察值，实现对运动物体的跟踪。车辆跟踪的好坏直接影响到整个智能交通系统性能。在国内外特别是在ITS (智 能交通系统)领域，车辆跟踪是一个正在兴起的研究热点。物体跟踪技术在计算机视觉中， 有了较长的研究历史。已经研究出了一些比较模块化的方法比如说基于卡尔曼滤波或者是 基于粒子滤波的跟踪算法，但是这些方法一般都是基于点模式的跟踪方法，而该方法并不 适用于我们的车辆跟踪问题。现有的车辆跟踪方法主要有以下几种基于3D模型的车辆跟 踪方法，基于特征点的车辆跟踪方法和基于Snake主动轮廓模型的车辆跟踪方法等。基于 特征点和基于Snake主动轮廓模型的车辆跟踪方法对车辆间的遮挡现象很敏感，而基于3D 模型的车辆跟踪方法需要针对大量的车辆进行3D模型，过于复杂且不实用。近期研究表明以马尔可夫链、贝叶斯理论和蒙特卡洛方法为基础的跟踪算法在多 目标跟踪上已经有所应用，譬如对足球场上运动员的跟踪，并取得了良好的跟踪效果，成功 地解决了，统一背景下的多目标实时跟踪问题。由于图像序列有丰富的原始数据，相邻帧之 间有很强的相关性，利用其空间域和时间域上的相关性，采用以马尔可夫链、贝叶斯理论和 蒙特卡洛方法对车辆进行跟踪将会产生很好的效果。目前，基于统计理论的车辆跟踪，只是 处在理论研究起步阶段。北京大学的研究人员使用基于MCMC方法对球场上的运动员进行 跟踪。这种方法在跟踪过程中跟踪轨迹可分为六种状态分别为出现与消亡、扩展与减少和 分割与合并，通过这六种状态能够很好的表示运动的变化。这种方法还有一个很重要的特 征就是，能够很好的解决运动员的遮挡问题，但是非常的依赖于运动对象的识别并且适用 环境也比较简单。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于机器视觉的多目标车辆跟 踪方法，该方法可解决多目标车辆经常出现的遮挡分裂问题。为了达到上述目的，本专利技术所采用的技术方案是—种，包含以下步骤(1)图像采集；(2)图像色彩空间变换；(3)目标分割；(4)目标跟踪；所述目标跟踪中，采用了马尔可夫蒙特卡洛算法(MCMC)对跟踪过程进行建模，建 立多种预选状态，再利用模拟退火算法对预选状态进行遍历，选取具有最大连接概率的预 选状态为最优解。进一步地，所述目标跟踪，还包括以下步骤得到(1)定义节点邻域图；(2)利用MCMC方法对跟踪过程进行建模；(3)利用模拟退火算法求最优解，确定跟踪轨迹。进一步地，所述目标跟踪中采用如下方法定义节点邻域图将多目标车辆跟踪问题视为一个数据关联问题，基于提取的信息得到信息观察 集，并在此基础上定义邻域图，邻域图中的每个节点代表一个观察值，联结相邻的节点构成 图的边，此处定义的节点可能含有多个联结空位，表明一个观察blob可能包含着多部跟踪 车辆的运动轨迹信息；对于观察集中的任一个节点来说，其邻域可定义如下权利要求1.一种，包含以下步骤(1)图像采集；(2)图像色彩空间变换；(3)目标分割；(4)目标跟踪； 其特征在于所述目标跟踪中，采用了马尔可夫蒙特卡洛算法(MCMC)对跟踪过程进行建模，建立多 种预选状态，再利用模拟退火算法对预选状态进行遍历，选取具有最大连接概率的预选状 态为最优解。2.如权利要求1所述的，其特征在 于，所述目标跟踪，还包括以下步骤得到(1)定义节点邻域图；(2)利用MCMC方法对跟踪过程进行建模；(3)利用模拟退火算法求最优解，确定跟踪轨迹。3.如权利要求1或2所述的，其特 征在于，所述目标跟踪中采用如下方法定义节点邻域图将多目标车辆跟踪问题视为一个数据关联问题，基于提取的信息得到信息观察集，并 在此基础上定义邻域图，邻域图中的每个节点代表一个观察值，联结相邻的节点构成图的 边，此处定义的节点可能含有多个联结空位，表明一个观察blob可能包含着多部跟踪车辆 的运动轨迹信息；对于观察集中的任一个节点来说，其邻域可定义如下 =闲|《-^^IdiixvvaxI具有联结空间} (1) 其中Vfflax为跟踪目标在观察时间段内的最大速度， Tfflax为一辆跟踪最大的连续观察时间长度； 在以上表述基础上，可将邻域图表示为ω = { τ 0，τ τ 2，...，τ J ；其中h表示第k辆跟踪，h的具体形式为A =JritG1XritG2),···&(、] τ k(tn)为第k辆跟踪在tn时刻的观察值。4.如权利要求1或2所述的，其特 征在于，所述MCMC建模包括以下步骤得到(1)建模表示任意两节点之间的连接概率定义ω为各节点的连接状态，Z表示已经连接的跟踪轨迹，则需要求取的跟踪轨迹，就 是求ω的最大后验概率，即由ω形式表示的局部最优关联是使得给定观察信息条件下后 验概率最大的ω *，定义如下 ω* = arg max(P(ω |Ζ))； 以上模型的后验概率由Gibbs分布表示如下5.如权利要求1所述的，其特征在 于，所述目标跟踪对多车辆的遮挡分裂问题采取了以下方法对每一帧图片的每一个blob节点块进行跟踪时，计算每一个节点连结到下一帧图片 每一个节点的概率Pu (表示i节点与j节点的连结概率)，当上一帧的不同多个节点连结到 下一帧同一个节点(设为k节点)的概率比连结到其他节点的概率大时(满足接受准则)， 可认为此K节点包含多辆车，反之则认为K节点只包含单独车辆。6.如权利要求1或5所述的，其特 征在于，所述MCMC建模过程使用了等效目标转移预选比率相等的准则假设已知比值全文摘要本专利技术提供一种基于马尔可夫蒙特卡洛(MCMC)算法的多目标车辆跟踪方法，该方法采用了MCMC方法对跟踪过程进行建模，建立多种预选状态，再利用基于Metropolis-Hastings抽样的模拟退火算法对预选状态进行遍历，选取具有最大连接概率的预选状态为最优解。本方法首次给出转移等效的限制，同时对数据关联中的参数通过实验数据回归拟合进行估计，从而得到最大后验概率意义下的最优车辆运动轨迹，实现了车辆的跟踪，解决了多目标车辆经常出现的遮挡分裂问题，具有跟踪精度高，实时性好的优点。文档编号G08G1/017GK102073853SQ201110007538公开日2011年5月25日 申请日期2011年1月14日 优先权日2011年1月14日专利技术者刘洋, 戚其丰, 樊利娜 申请人:华南理工大学 本文档来自技高网...

【技术保护点】
一种基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法，包含以下步骤：（１）图像采集；（２）图像色彩空间变换；（３）目标分割；（４）目标跟踪；其特征在于：所述目标跟踪中，采用了马尔可夫蒙特卡洛算法（ＭＣＭＣ）对跟踪过程进行建模，建立多种预选状态，再利用模拟退火算法对预选状态进行遍历，选取具有最大连接概率的预选状态为最优解。

【技术特征摘要】

【专利技术属性】
技术研发人员：戚其丰，刘洋，樊利娜，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：81