本發(fā)明涉及多目標跟蹤領域，尤其是涉及了一種基于隨機有限集濾波器耦合的多目標跟蹤方法。

背景技術(shù)：

多目標跟蹤常用于智能視頻監(jiān)控、交通以及汽車的自動駕駛和輔助駕駛等領域，在不需要認為干預的情況下，實現(xiàn)對視頻場景中多個目標進行自動跟蹤。具體地在智能視頻監(jiān)控領域，可以在復雜視頻中跟蹤多個目標人物。除此之外，應用于汽車輔助駕駛時，多目標跟蹤可以對汽車捕捉視頻中多個行人進行跟蹤實現(xiàn)有效避讓。雖然多目標跟蹤是許多應用中的基本問題，已有豐富的研究成果，卻仍然遠遠沒能達到實際使用的目的。

本發(fā)明提出了一種基于隨機有限集濾波器耦合的多目標跟蹤方法，通過共享參數(shù)將兩個隨機有限集(RFS)濾波器耦合實現(xiàn)魯棒的跟蹤性能。具體地，在未知雜波率情況下，利用廣義標簽多伯努利(GLMB)過濾器作主跟蹤器來產(chǎn)生軌跡參數(shù)，而一步式的魯棒多伯努利(RMB)濾波器基于所提供的軌跡參數(shù)(位置的平均值和協(xié)方差)以及GLMB濾波器先前時間步長的軌跡存在概率，修改未知雜波率，然后，將一步式的RMB濾波器估計的雜波率送入GLMB濾波器，從而實現(xiàn)魯棒的在線視覺多目標跟蹤。本發(fā)明突破了對未知雜波率進行濾波的同時不能跟蹤識別不同目標的局限，設計了一個多目標跟蹤器產(chǎn)生各目標獨立軌跡，并在運行中估計未知雜波率，能有效地適應真實場景，實現(xiàn)魯棒的多目標跟蹤性能。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有方法不能有效解決未知雜波率情況下的問題，本發(fā)明的目的在于提供一種基于隨機有限集濾波器耦合的多目標跟蹤方法，設計了一個多目標跟蹤器產(chǎn)生各目標獨立軌跡，并在運行中估計未知雜波率，能有效地適應真實場景，實現(xiàn)魯棒的多目標跟蹤性能。

為解決上述問題，本發(fā)明提供一種基于隨機有限集濾波器耦合的多目標跟蹤方法，其主要內(nèi)容包括：

(一)魯棒多伯努利(RMB)濾波器；

(二)廣義標簽多伯努利(GLMB)過濾器；

(三)增強的GLMB濾波器；

(四)多目標跟蹤器。

其中，所述的魯棒多伯努利(RMB)濾波器，多伯努利濾波器參數(shù)化多目標的后驗密度，通過使用一組伯努利參數(shù)其中r⁽ⁱ⁾和p⁽ⁱ⁾表示在M個伯努利分量中的存在概率和狀態(tài)密度，將用來擴展狀態(tài)空間的多伯努利濾波器遞歸稱為魯棒多伯努利(RMB)濾波器。

進一步地，所述的后驗密度，若多伯努利形式在k-1時刻的后驗多目標密度給定為那么預測強度由后面的一組多伯努利分量近似而得，一組預測伯努利分量是新生分量和存活分量的聯(lián)合，新生的伯努利分量因為考慮視覺場景的入口區(qū)域如圖像邊界，而被選擇了一個先驗，存活分量通過下式計算：

其中p_S，u，k是對應時間k的存活概率，是由實際目標或由u表示的雜波指定的狀態(tài)轉(zhuǎn)移密度；

如果在k時刻，預測的多目標密度是多伯努利形式，那么更新的多伯努利密度就可近似為

由遺留分量以及測量更新分量組成。

進一步地，所述的遺留分量和測量更新分量，遺留分量下標為L，測量更新分量下標為U，兩者由下列等式(3)計算而得：

其中p_D，u，k是狀態(tài)相關(guān)的檢測概率，g_u，k(z，|x)是測量似然函數(shù)。

其中，所述的廣義標簽多伯努利(GLMB)過濾器，提供了一種具有唯一標簽的多目標貝葉斯濾波器的解決方案，在帶標簽的多目標跟蹤中，k時刻下目標的狀態(tài)被定義為其中表示在k時刻(包括在k之前出現(xiàn)的先驗)目標的標簽空間，注意由給定，其中表示在k時刻出現(xiàn)的目標的標簽空間(并且與不相交)，因為設計GLMB時沒有考慮雜波目標，因此，不引入標簽u；

假設在k時刻有N_k個實際目標，標記為多目標跟蹤中，其中表示的有限子集空間，用|X|表示X的基數(shù)(元素的數(shù)量)，由表示X的標簽集{l(x，l)∈X}，此處由于標簽是唯一的，所以不會出現(xiàn)兩個目標帶相同的標簽，即因此稱為獨特的標簽指示。

在GLMB中，后驗密度采用廣義標簽多伯努利的形式：

給定了后驗多目標密度后，就可計算出k時刻的預測多目標密度以及更新的多目標密度。

進一步地，所述的預測多目標密度，在假定k時刻后驗密度采用形式(4)表征后，可由下式計算出k時刻的預測多目標密度：

其中，

其中c是軌跡假設的索引，L是標簽集的實例，I是來自先前時間步長的軌跡標簽。

進一步地，所述的更新的多目標密度，在假定k時刻后驗密度采用形式(4)表征后，可由下式計算出k時刻更新的多目標密度：

其中Θ_k是θ的映射空間：使得θ(i)＝θ(i′)＞0意味著i＝i’，并且

其中表示雜波密度，λ_c是被假定為先驗的雜波率。

其中，所述的增強的GLMB濾波器，是一種新的RFS濾波器，稱為增強的廣義標簽多伯努利(GLMB)濾波器，即增強的GLMB濾波器，同時結(jié)合了RMB過濾器和GLMB過濾器，具體地，GLMB過濾器被用作主跟蹤器來產(chǎn)生軌跡參數(shù)，而一步式的RMB過濾器則是基于所提供的軌跡參數(shù)(位置的平均值和協(xié)方差)以及GLMB濾波器先前時間步長的軌跡存在概率，修改未知雜波率，然后，將一步式的RMB濾波器估計的雜波率送入GLMB濾波器，讓雜波模型增強跟蹤結(jié)果的準確性，除此之外，還采用了線性高斯模型來實現(xiàn)增強的GLMB濾波器。

進一步地，所述的線性高斯模型，在增強的GLMB濾波中跟蹤參數(shù)是一組高斯參數(shù)，即表示物體運動狀態(tài)的均值和協(xié)方差矩陣，因此，通過使用卡爾曼濾波器來實現(xiàn)增強的GLMB濾波器，一旦跟蹤器被初始化，GLMB濾波器就可得到狀態(tài)均值，協(xié)方差矩陣和軌跡存在概率。此外，軌跡存在概率r^(l)通過從GLMB密度枚舉軌跡假設權(quán)重獲得，為其中I和ξ是來自先前時間步長的軌跡標簽和數(shù)據(jù)關(guān)聯(lián)映射，而所計算的軌跡存在概率r^(l)作為軌跡存在概率r的初始值用于等式(1)中，然后，通過雜波目標數(shù)量的EAP估計得到雜波率：

其中是雜波目標的存在概率，p_{D，0，k}是雜波目標的檢測概率。

其中，所述的多目標跟蹤器，基于無雜波參數(shù)調(diào)諧的RFS濾波器，即未知雜波率情況下，通過GLMB濾波器用于軌跡估計，產(chǎn)生各個目標的獨立軌跡，并在運行中利用一步式的RMB濾波器估計未知雜波率，通過交換參數(shù)將二者耦合實現(xiàn)魯棒的在線視覺多目標跟蹤。

附圖說明

圖1是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的系統(tǒng)流程圖。

圖2是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法增強的GLMB濾波器的工作原理方框圖。

圖3是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的多目標跟蹤效果圖。

圖4是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的多目標跟蹤流程圖。

具體實施方式

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互結(jié)合，下面結(jié)合附圖和具體實施例對本發(fā)明作進一步詳細說明。

圖1是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的系統(tǒng)流程圖。主要包括魯棒多伯努利(RMB)濾波器、廣義標簽多伯努利(GLMB)過濾器、增強的GLMB濾波器、多目標跟蹤器。

其中，所述的魯棒多伯努利(RMB)濾波器，多伯努利濾波器參數(shù)化多目標的后驗密度，通過使用一組伯努利參數(shù)其中r⁽ⁱ⁾和p⁽ⁱ⁾表示在M個伯努利分量中的存在概率和狀態(tài)密度，將用來擴展狀態(tài)空間的多伯努利濾波器遞歸稱為魯棒多伯努利(RMB)濾波器。

若多伯努利形式在k-1時刻的后驗多目標密度給定為那么預測強度由后面的一組多伯努利分量近似而得，一組預測伯努利分量是新生分量和存活分量的聯(lián)合，新生的伯努利分量因為考慮視覺場景的入口區(qū)域如圖像邊界，而被選擇了一個先驗，存活分量通過下式計算：

其中p_S，u，k是對應時間k的存活概率，是由實際目標或由u表示的雜波指定的狀態(tài)轉(zhuǎn)移密度；

如果在k時刻，預測的多目標密度是多伯努利形式，那么更新的多伯努利密度就可近似為

由下標為L的遺留分量以及下標為U的測量更新分量組成，二者由下列等式(3)計算而得：

其中p_{D，u，k}是狀態(tài)相關(guān)的檢測概率，g_u，k(z，|x)是測量似然函數(shù)。

其中，所述的廣義標簽多伯努利(GLMB)過濾器，提供了一種具有唯一標簽的多目標貝葉斯濾波器的解決方案，在帶標簽的多目標跟蹤中，k時刻下目標的狀態(tài)被定義為其中表示在k時刻(包括在k之前出現(xiàn)的先驗)目標的標簽空間，注意由給定，其中表示在k時刻出現(xiàn)的目標的標簽空間(并且與不相交)，因為設計GLMB時沒有考慮雜波目標，因此，不引入標簽u。

假設在k時刻有N_k個實際目標，標記為多目標跟蹤中，其中表示的有限子集空間，用|X|表示X的基數(shù)(元素的數(shù)量)，由表示X的標簽集{l(x，l)∈X}，此處由于標簽是唯一的，所以不會出現(xiàn)兩個目標帶相同的標簽，即因此稱為獨特的標簽指示。

在GLMB中，后驗密度采用廣義標簽多伯努利的形式：

給定了后驗多目標密度后，就可計算出k時刻的預測多目標密度：

其中，

其中c是軌跡假設的索引，L是標簽集的實例，I是來自先前時間步長的軌跡標簽。

此外，可計算k時刻更新的多目標密度：

其中Θ_k是θ的映射空間：使得θ(i)＝θ(i′)＞0意味著i＝i’，并且

其中表示雜波密度，λ_c是被假定為先驗的雜波率。

其中，所述的增強的GLMB濾波器，是一種新的RFS濾波器，稱為增強的廣義標簽多伯努利(GLMB)濾波器，即增強的GLMB濾波器，同時結(jié)合了RMB過濾器和GLMB過濾器，具體地，GLMB過濾器被用作主跟蹤器來產(chǎn)生軌跡參數(shù)，而一步式的RMB過濾器則是基于所提供的軌跡參數(shù)(位置的平均值和協(xié)方差)以及GLMB濾波器先前時間步長的軌跡存在概率，修改未知雜波率，然后，將一步式的RMB濾波器估計的雜波率送入GLMB濾波器，讓雜波模型增強跟蹤結(jié)果的準確性，除此之外，還采用了線性高斯模型來實現(xiàn)增強的GLMB濾波器。

在增強的GLMB濾波中跟蹤參數(shù)是一組高斯參數(shù)，即表示物體運動狀態(tài)的均值和協(xié)方差矩陣，因此，通過使用卡爾曼濾波器來實現(xiàn)增強的GLMB濾波器，一旦跟蹤器被初始化，GLMB濾波器就可得到狀態(tài)均值，協(xié)方差矩陣和軌跡存在概率。此外，軌跡存在概率r^(l)通過從GLMB密度枚舉軌跡假設權(quán)重獲得，為其中I和ξ是來自先前時間步長的軌跡標簽和數(shù)據(jù)關(guān)聯(lián)映射，而所計算的軌跡存在概率r^(l)作為軌跡存在概率r的初始值用于等式(1)中，然后，通過雜波目標數(shù)量的EAP估計得到雜波率：

其中是雜波目標的存在概率，p_{D，0，k}是雜波目標的檢測概率。

其中，所述的多目標跟蹤器，基于無雜波參數(shù)調(diào)諧的RFS濾波器，即未知雜波率情況下，通過GLMB濾波器用于軌跡估計，產(chǎn)生各個目標的獨立軌跡，并在運行中利用一步式的RMB濾波器估計未知雜波率，通過交換參數(shù)將二者耦合實現(xiàn)魯棒的在線視覺多目標跟蹤。

圖2是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的增強的GLMB濾波器的工作原理方框圖。表征了GLMB濾波器和一步式的RMB濾波器之間的關(guān)系，GLMB過濾器被用作主跟蹤器來產(chǎn)生軌跡參數(shù)，而一步式的RMB過濾器則是基于所提供的軌跡參數(shù)(位置的平均值和協(xié)方差)以及GLMB濾波器先前時間步長的軌跡存在概率，修改未知雜波率，然后，將一步式的RMB濾波器估計的雜波率送入GLMB濾波器，讓雜波模型增強跟蹤結(jié)果的準確性。

圖3是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的多目標跟蹤效果對比圖。在活細胞顯微成像數(shù)據(jù)進行細胞遷移分析中，分別采用本方法(右)與當前最先進的多假設跟蹤(MHT)方法(左)，對二者的跟蹤效果進行對比，圖中所示為通過兩種方法重建的細胞軌跡。與MHT相比，所提出的增強的GLMB表現(xiàn)出更可靠的跟蹤結(jié)果。因為跟蹤器有效地管理隨時間變化的雜波信息并保持相關(guān)軌跡，GLMB跟蹤器產(chǎn)生的錯誤跟蹤以及不完整的碎片跟蹤明顯少于MHT。

圖4是本發(fā)明一種基于隨機有限集濾波器耦合的多目標跟蹤方法的多目標跟蹤流程圖。利用GLMB過濾器作主跟蹤器來產(chǎn)生軌跡參數(shù)，而一步式的RMB過濾器基于所提供的軌跡參數(shù)(位置的平均值和協(xié)方差)以及GLMB濾波器先前時間步長的軌跡存在概率，修改未知雜波率，然后，將一步式的RMB濾波器估計的雜波率送入GLMB濾波器，從而實現(xiàn)魯棒的在線視覺多目標跟蹤。

對于本領域技術(shù)人員，本發(fā)明不限制于上述實施例的細節(jié)，在不背離本發(fā)明的精神和范圍的情況下，能夠以其他具體形式實現(xiàn)本發(fā)明。此外，本領域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍，這些改進和變型也應視為本發(fā)明的保護范圍。因此，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。