CN112748735A - 一种引入颜色特征的扩展目标跟踪方法 - Google Patents

Abstract

本发明请求保护一种引入颜色特征的扩展目标跟踪方法。该方法对目标特性进行增广，加入目标的颜色特征来构造目标的状态模型与量测模型，使目标具有运动特征、形状、颜色三类属性。在目标跟踪过程中，首先以目标一步预测位置为中心建立跟踪门，根据跟踪门对目标量测进行筛选，然后将筛选后的候选量测与目标轨迹进行关联，关联过程中分别根据目标位置、形状、颜色来计算关联概率，再对关联概率加权，利用加权关联概率对目标状态进行融合估计。本方法利用更充分的目标属性来进行关联滤波，能提高数据关联准确度和目标跟踪精度来提高扩展目标跟踪性能。

Description

一种引入颜色特征的扩展目标跟踪方法

技术领域

本发明属于计算机和自动化技术，主要涉及到扩展目标跟踪技术领域，具体涉及一种引入颜色特征的扩展目标跟踪方法。

背景技术

目标跟踪是一项广泛应用的技术，在军事领域以及民用领域都有重要价值。

中国专利申请：一种基于颜色空间信息的多车辆视频跟踪方法(申请号：CN201010513817.0)，公开了使用颜色特征向量来建立模型对车辆进行跟踪的方法，该方法依据车辆的对称性特征对车辆分片段处理，建立颜色相关特征向量，采用二次线性回归进行状态预测，并采用粒子滤波对目标位置跟踪，但是没有利用颜色特征进行目标数据关联。中国专利申请：一种自适应交互式多模型的机动目标跟踪方法(申请号：CN201210514479.1)，公开了一种交通运输领域自适应交互式多模型的机动目标跟踪方法，针对传统交互式模型跟踪算法中采用固定马尔可夫矩阵的缺点，提出在模型初始化阶段分别计算匀速运动和匀加速运动模型的初始值，改善了目标机动时系统的跟踪性能，但是其没能利用目标的形状、颜色等信息。中国专利申请：一种基于改进联合概率数据关联的分布式目标跟踪方法(申请号：CN201610821318.5)，公开了一种针对联合概率数据关联进行改进的目标跟踪方法，其根据不同传感器量测数据各自估计目标状态，然后融合得到最终的目标状态估计，但是其在关联过程中没有考虑目标的形状、颜色等特征。

本发明为了克服上述方法中目标量测信息使用不充分的情况，提出一种引入颜色特征的扩展目标跟踪方法，在关联过程中对量测集合按位置、形状、颜色进行关联、加权、融合，充分利用扩展目标的特征信息，改善目标数据关联的准确性，提高目标跟踪性能。

发明内容

为改善目前扩展多目标跟踪方面存在的对现有扩展目标检测信息利用不充分导致的关联结果不准确，跟踪性能不佳等问题，本发明提出一种引入颜色特征的扩展目标跟踪方法，利用颜色特征对数据关联算法进行改进，提高扩展目标跟踪精度。本发明对于扩展目标跟踪有如下的技术方案：

首先构建目标车辆在时刻k的状态方程和量测方程：

x_k+1＝F_kx_k+Γ_kω_k,k∈N (1)

z_k＝H_kx_k+υ_k,k∈N (2)

其中

表示k时刻目标的x位置、x速度、y位置、y速度、宽、高、颜色，c＝[r,g,b]^T表示感兴趣区域目标颜色状态向量，k时刻量测表示为z_k＝[x,y,w,h,c]^T，F_k为状态转移矩阵，Γ_k为噪声矩阵，H_k为量测矩阵，ω_k和υ_k分别为相互独立的过程噪声和量测噪声，N表示自然数集合。

基于上述模型的目标跟踪方法，流程如下：

(1)一步预测。利用k-1时刻对k时刻的状态进行预测，得到一步预测值和预测误差的协方差阵：

其中，F_k-1为状态转移矩阵，Q_k-1为服从正态分布的过程噪声协方差。

(2)跟踪门建立。利用扩展目标的特性，首先使用目标宽高对量测z_k进行一次筛选得到(z_k)'，设置一个椭球跟踪门来对量测集合进行筛选，量测(z_k)'与预测量测

之差为滤波残差：

其中

假定观测维数为M，则其残差向量范数：

当观测量(z_k)'满足如下关系：

γ为跟踪门门限，则将(z_k)"作为位于跟踪门内的候选回波，根据椭球跟踪门规则确定最大似然门限：

其中P_D为检测概率，β为回波密度，|S|为残差协方差阵S_k的行列式。

(3)数据关联。对目标轨迹预测值

和候选量测(z_k)"进行关联，分别计算目标量测在位置、形状、颜色分量下的关联概率，进一步计算量测的加权关联概率

(4)滤波。根据k时刻目标的状态预测

与量测误差

结合加权关联概率

计算目标状态估计

与滤波误差的协方差矩阵P_k|k。

进一步地，对于目标颜色状态向量的获取过程如下：

(1)利用目标检测方法对目标进行处理，得到目标感兴趣区域Src。

(2)将感兴趣区域按高斯金字塔进行下采样。先对Src进行高斯滤波，即每个像素值由自身和相邻的8个像素点经过加权平均得出，边缘点空缺像素按自身像素计算，然后将Src的偶数行和列去除，得到Src1。

(3)分别计算Src1的红、绿、蓝三个颜色分量对应的直方图，并将直方图中占比最大的数值作为各自颜色通道的颜色分量值，得出目标的颜色状态向量c＝[r,g,b]^T。

进一步地，上述数据关联过程中的加权关联概率计算方法如下：

(1)假定跟踪门内的有效回波均有可能源于目标，只是每个有效回波源于目标的概率不同。令

表示k时刻第i个量测来源于目标这一事件的概率，在整个事件空间中所有量测事件构成一个不相交的完备分割

其中Z^k＝{Z₁,Z₂,...,Z_k}为直到k时刻的累计确认量测集，

为传感器在k时刻的确认量测集合，z_k,i为k时刻的第i个量测，

表示z_k,i是来自目标的正确量测的事件，m_k表示k时刻确认量测个数，

表示没有量测源于目标的概率。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(z_k,i)”＝[(z_k,i,1)”,(z_k,i,2)”,(z_k,i,3)”]^T，计算量测误差

得到

(2)分别计算出位置、宽高、颜色对应的关联概率：

其中c＝1,2,3分别表示位置、宽高、颜色分量。

(2)利用得到的各分量关联概率，计算量测i的加权关联概率：

其中p₁,p₂,p₃为各个特征所占权重，且满足p₁+p₂+p₃＝1，权重大小由具体应用场景确定。

进一步地，上述目标状态滤波估计方法如下：

其中

其中R_k为量测噪声协方差。

本发明的优点及有益效果如下：

本发明提出一种引入颜色特征的扩展目标跟踪方法，通过对目标状态模型和量测模型加入颜色分量进行增广，分别根据位置、形状、颜色特征分量进行数据关联，对关联概率进行加权，并进行融合滤波，得到目标状态的最优估计。现有的数据关联方法是以目标位置预测与量测之间的关系来进行关联的，未考虑目标的颜色特征，对目标信息的利用不充分，影响了目标关联准确度及滤波精度。由于颜色特征是目标的一种非常重要的辅助特征，本专利的方法充分利用了这一特征，与目标的位置特征、形状特征一起进行融合关联来确定目标身份，克服了现有跟踪方法信息利用不充分而影响跟踪效果的情况，提高了目标关联准确度及滤波精度，可以有效提高扩展目标跟踪性能。

附图说明

图1是本发明提供优选实施例一种引入颜色特征的扩展目标跟踪方法结构图；

图2本发明关联概率计算方法流程图；

图3本发明一种引入颜色特征的扩展目标跟踪方法效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示为本发明一种引入颜色特征的扩展目标跟踪方法结构图，首先建立目标状态模型和量测模型：

x_k+1＝F_kx_k+Γ_kω_k,k∈N (1)

z_k＝H_kx_k+υ_k,k∈N (2)

目标跟踪处理流程如下：

(1)目标状态一步预测。利用k-1时刻最优状态估计

对k时刻状态进行一步预测，得出状态估计一步预测和预测误差的协方差：

(2)建立跟踪门筛选目标量测。利用扩展目标的特性，首先使用目标宽高进行一次筛选得到(z_k)'，设置一个椭球跟踪门来对量测集合进行筛选，当残差向量范数满足：

则将(z_k)"作为位于跟踪门内的候选回波。根据椭球跟踪门规则、检测概率和回波密度确定最优跟踪门限：

(3)量测数据与轨迹之间的关联。取目标位置、形状、颜色分别进行位置概率数据关联、形状概率数据关联、颜色概率数据关联，得出各分量的关联概率

然后计算加权关联概率

(4)融合滤波。利用全期望公式，结合卡尔曼滤波更新k时刻状态估计

其中

为利用卡尔曼增益结合目标一步预测和量测预测值得到的混合估计

则根据上式可以得到

其中

其中R_k为量测噪声协方差，同时更新目标状态估计协方差

其中

上述滤波结果作为下次预测过程的输入进行迭代，作为整个跟踪过程的一部分。

如图2所示为本发明关联概率计算方法流程图，计算流程如下：

(1)量测划分。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(z_k,i)”＝[(z_k,i,1)”,(z_k,i,2)”,(z_k,i,3)”]^T，并根据

计算得到

(2)关联概率计算。以颜色分量z_k,i,3为例来说明计算过程，假定杂波服从均匀分布，即

其中V_k表示跟踪门体积。正确量测服从正态分布，即

其中候选目标量测误差

n_z,3表示量测向量的维数，P_G表示正确量测落入跟踪门的概率。

每个采样时刻至多有一个真实量测，这个事件的发生概率为P_D，即检测概率。应用贝叶斯公式和乘法定理

对于i＝1,2,...,m_k的任一情形，Z_k的联合概率密度函数为

其中

特别地

假设虚假量测数的概率质量函数模型服从参数为λ₃V_k的泊松分布，其中λ₃V_k为跟踪门内虚警量测数的期望值为计算

应用全概率公式

由此，可以得到

按以上步骤分别对目标位置、形状分量进行计算，得出相应关联概率

(3)关联概率加权。利用得到的各分量关联概率，计算量测i的加权关联概率：

其中p₁,p₂,p₃为各个特征所占权重，且满足p₁+p₂+p₃＝1，权重大小由具体应用场景确定。

如图3所示为本发明一种引入颜色特征的扩展目标跟踪方法效果图，使用位置、形状、颜色特征分别计算关联概率，并计算加权关联概率，最后对目标状态进行融合滤波。从左图目标运动轨迹可以看出，本发明得出的目标状态估计相比于概率数据关联(PDA)结果更加接近真实值，从右图RMSE(均方根误差)对比可以看出，本发明在目标的状态估计上比概率数据关联算法的误差更小，可以有效提高目标跟踪的性能。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (3)

1.一种引入颜色特征的扩展目标跟踪方法，其特征在于

1.1首先建立扩展目标状态模型和量测模型

x_k+1＝F_kx_k+Γ_kω_k,k∈N (1)

z_k＝H_kx_k+υ_k,k∈N (2)

其中

表示k时刻目标的x位置、x速度、y位置、y速度、宽、高、颜色，c＝[r,g,b]^T表示感兴趣区域目标颜色状态向量，k时刻量测表示为z_k＝[x,y,w,h,c]^T，F_k为状态转移矩阵，Γ_k为噪声矩阵，H_k为量测矩阵，ω_k和υ_k分别为相互独立的过程噪声和量测噪声；

1.2目标状态一步预测。利用上一时刻目标状态的最优估计

来对当前时刻状态进行预测，得到k时刻的预测状态

1.3建立跟踪门进行量测筛选。首先使用目标宽高进行一次筛选得到(z_k)'，再以目标状态预测

为中心，建立椭球跟踪门，落在跟踪门内的即为有效量测，最后筛选得到k时刻的候选回波(z_k)"；

1.4目标轨迹与量测之间的数据关联。对目标轨迹预测值

和候选量测(z_k)"进行关联，首先根据目标位置、形状、颜色对目标量测进行划分，分别计算各个分量的关联概率，并计算加权关联概率

1.5目标状态融合估计。根据k时刻目标的状态预测

与量测误差

结合加权关联概率

利用卡尔曼滤波对目标状态进行融合估计，得到目标最优状态估计

与滤波误差的协方差矩阵P_k|k。

2.根据权利要求1所述的一种引入颜色特征的扩展目标跟踪方法，其特征在于，步骤1.4中目标轨迹与量测之间的数据关联方法流程是：

2.1量测划分：假定跟踪门内的有效回波均有可能源于目标，只是每个有效回波源于目标的概率不同。令

表示k时刻第i个量测来源于目标这一事件的概率，在整个事件空间中所有量测事件构成一个不相交的完备分割

其中Z^k＝{Z₁,Z₂,...,Z_k}为直到k时刻的累计确认量测集，

为传感器在k时刻的确认量测集合，z_k,i为k时刻的第i个量测，

表示z_k,i是来自目标的正确量测的事件，m_k表示k时刻确认量测个数，

表示没有量测源于目标的概率。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(z_k,i)”＝[(z_k,i,1)”,(z_k,i,2)”,(z_k,i,3)”]^T，计算量测误差

得到

2.2关联概率计算：分别计算出位置、宽高、颜色对应的关联概率：

其中c＝1,2,3分别表示位置、宽高、颜色分量；

2.3关联概率融合：利用得到的各分量关联概率，计算量测i的加权关联概率：

其中p₁,p₂,p₃为各个特征所占权重，且满足p₁+p₂+p₃＝1，权重大小由具体应用场景确定。

3.根据权利要求1所述的一种引入颜色特征的扩展目标跟踪方法，其特征在于，步骤1.5中目标状态融合估计方法流程是：

其中

Images