CN113936037B - 引入目标间拓扑特征的扩展目标跟踪方法、介质及系统 - Google Patents

Abstract

本发明请求保护一种引入目标间拓扑特征的扩展目标跟踪方法、介质及系统。该方法在目标跟踪过程中，同时考虑目标自身属性以及目标之间的相对位置关系来建立目标的特征模型，使目标具有位姿、形状、拓扑三个方面的特征属性，并通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计。本方法针对现有目标跟踪方法中对于目标信息利用不充分的缺点，对扩展目标特征属性进行增广，加入目标间的拓扑特征属性，利用目标间的拓扑关系改进目标量测与目标轨迹之间的数据关联，提高数据关联准确度，来提高目标跟踪精度，改善扩展目标跟踪性能。

Description

引入目标间拓扑特征的扩展目标跟踪方法、介质及系统

技术领域

本发明属于扩展目标跟踪技术领域，具体涉及一种引入目标间拓扑特征的扩展目标跟踪方法。

背景技术

目标跟踪技术在生活中有着十分广泛的应用，随着近几年来传感器技术和集成技术的不断发展，使得传感器检测得到的不只是点目标数据，而是扩展目标数据，具有更加丰富的特征，从而也就推动了点目标到扩展目标跟踪技术的转型。

中国专利申请：一种引入颜色特征的扩展目标跟踪方法(申请号：CN202011509288.7)，公开了利用颜色特征对数据关联算法进行改进的跟踪方法，该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，采用卡尔曼滤波对目标跟踪，但没有利用量测与量测间的拓扑关系。中国专利申请：一种基于形状语义的非参数轮廓跟踪评价方法(申请号：CN201110144012.8)，公开了一种基于形状语义的非参数轮廓跟踪评价方法，该方法采用金字塔匹配核来计算非参数轮廓跟踪结果所获得的轮廓上每个像素点和标准轮廓像素点的形状上下文特征的相似度，根据相似度搜索匹配关系。中国专利申请：一种改进的多扩展目标跟踪方法(申请号：CN201810058439.8)，在高斯混合势概率假设密度一滤波框架下，量测集处理过程中引入算法对量测集合进行划分，从而达到跟踪扩展目标的功能，然后利用比例因子和自适应门限分别调节滤波器增益矩阵和观测体积，提高滤波器鲁棒性，减小计算量，但是该方法没有充分利用目标间的位置关系。

本发明针对目前现有目标跟踪方法对目标量测信息使用不充分的问题，提出一种引入目标间拓扑特征的扩展目标跟踪方法，在关联过程中考虑目标与目标间相互位置关系形成的拓扑结构，联合位置、形状特征进行相似度匹配，充分利用扩展目标的特征，提高数据关联的准确性，改善目标跟踪性能。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高数据关联的精确度的引入目标间拓扑特征的扩展目标跟踪方法、介质及系统。本发明的技术方案如下：

一种引入目标间拓扑特征的扩展目标跟踪方法，其包括以下步骤：

在目标跟踪过程中，同时考虑目标自身属性以及目标之间的相对位置关系来建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，使目标具有位姿、形状、拓扑三个方面的特征属性；

利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态；并通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计。

进一步的，所述建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，具体包括：

建立目标的特征模型：

x_k＝[pos,shap,top]^T (1)

其中位姿特征pos＝[x,y,θ]表示目标的x位置、y位置、目标朝向，形状特征shap＝[l,w,h]表示目标的长、宽、高，拓扑特征top＝[g₁,g₂,...,g₇,g₈]表示目标周围其他目标的分布情况；

建立扩展目标的状态转移模型和量测模型：

x_k＝Ax_k-1+Bu_k-1+w_k-1 (2)

z_k＝Hx_k+v_k (3)

其中x_k表示k时刻的目标状态，z_k表示k时刻的目标测量，A为状态转移矩阵，u_k-1为系统输入，B为将输入转换为状态的矩阵，H为量测矩阵，w_k-1和v_k分别为相互独立的过程噪声和量测噪声。

进一步的，所述目标特征提取的方法具体包括：

位姿特征和形状特征由传感器检测得出，设有目标序列T＝{T₁,T₂,T₃,...,T_n}，其中n为目标数量，取其中第i个目标T_i为原点建立极坐标系，然后按照π/4的极角大小将平面分为8个扇形区间{R₁,R₂,R₃,...,R₈}，剩余目标T-T_i分别落入对应区间，统计区间R_i中目标与原点的极径之和g_i作为这一区间特征值，最终得到8维特征向量top_i＝[g₁,g₂,...,g₇,g₈]即为目标T_i的拓扑特征。

进一步的，所述利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态，具体包括：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：

P_k ^-＝AP_k-1A^T+Q (5)

其中为目标k-1时刻的最优状态估计，为目标k时刻的状态预测值，Q为服从正态分布的过程噪声，P_k ^-为k时刻的先验估计协方差，P_k-1表示k-1时刻的后验估计协方差。

进一步的，所述通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，具体包括：

特征相似度衡量方法使用欧氏距离，设有两个n维特征向量，通过设定距离阈值d_max,若特征向量之间欧式距离超过距离阈值，则特征向量之间相似度s为零，达到对量测的筛选作用，向量计算方法如下：

其中d(x,y)为向量x和向量y之间的欧式距离，n表示向量的维数，利用该方法可计算出目标的位姿、形状、拓扑相似度s_pos、s_shap、s_top。

然后通过加权计算得出目标相似度s_tar：

s_tar＝p₁s_pos+p₂s_shap+p₃s_top (8)

其中p₁,p₂,p₃为各个特征所占权重，且p₁+p₂+p₃＝1。

进一步的，所述利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计，具体包括：

假设目标轨迹数量和目标量测数量分别为m和n，由目标相似度计算方法获得一个m×n维的相似度矩阵S_m×n：

其中s_tar,i,j表示目标轨迹i和目标量测j的相似度，设定阈值ε，当s_tar,i_,j＜ε时，令s_tar,i,j＝0，然后筛选出全零行和全零列，分别代表无量测关联轨迹与无可关联的量测，降低后续计算量，得到相似度矩阵S′_m×n，定义关联矩阵A_ij：

其中a_ij为二值变量，为0表示不关联，为1表关联，在约束条件下调整关联矩阵的元素取值，使得相似度矩阵与关联矩阵对应元素乘积之和最大，此时的关联矩阵为最优解。该最优分配问题公式如下：

目标函数：

约束条件：

进一步的，通过求解得出关联矩阵A_ij，全零行和全零列代表关联失败的轨迹和量测，其中全零列的列号所对应的目标量测作为潜在的需要生成轨迹，在后续的k次跟踪流程中，若其关联成功次数大于k_discover，则将其视为真正的目标轨迹；其中全零行的行号所对应的轨迹视为潜在需要销毁的轨迹，在后续的k次跟踪流程中，若其关联失败次数大于k_disappear，则将轨迹销毁；设在k次跟踪流程中，量测关联成功次数为T_discover，轨迹关联失败次数为T_disappear，有如下描述：

若T_discover＞k_discover，则生成轨迹，为目标跟踪起始；

若T_disappear＞k_disappear，则销毁轨迹，为目标跟踪终止。

进一步的，还包括滤波的步骤：

计算卡尔曼增益K_k，通过先验估计和量测的到目标的最优状态估计，更新最优估计协方差：

K_k＝P_k ^-H^T(HP_k ^-H^T+R)^-1 (13)

P_k＝(I-K_kH)P_k ^- (15)

其中R为测量噪声协方差，H为状态变量到测量的转换矩阵，I为单位矩阵。

一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如任一项所述的引入目标间拓扑特征的扩展目标跟踪方法。

一种引入目标间拓扑特征的扩展目标跟踪系统，其包括：

模型建立模块：用于在目标跟踪过程中，同时考虑目标自身属性以及目标之间的相对位置关系来建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，使目标具有位姿、形状、拓扑三个方面的特征属性；

预测模块：利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态；

估计模块：用于通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计。

本发明的优点及有益效果如下：

本发明为改善目前扩展目标跟踪方法对目标量测信息利用不充分导致的关联准确度欠佳，跟踪性能难以满足实时性要求等问题，本发明提出了一种引入目标间拓扑特征的扩展目标跟踪方法，利用目标的拓扑特征辅助数据关联，提高数据关联的精确度。

本发明提出一种引入目标间拓扑特征的扩展目标跟踪方法，通过对目标特征模型加入拓扑特征，加权计算位姿、形状、拓扑特征相似度进行数据关联，对关联结果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，未考虑目标量测之间的位置拓扑特征，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。由于量测集中目标间的相互位置关系形成的拓扑特征也是一种非常重要的辅助特征，本专利充分利用该特征，结合位姿、形状特征融合关联确定目标身份，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目标间拓扑特征的扩展目标跟踪方法的结构图；

图2本发明目标拓扑特征概念图；

图3本发明目标跟踪流程图。

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目标间拓扑特征的扩展目标跟踪方法的结构图，首先建立系统模型：

目标的特征模型：

x_k＝[pos,shap,top]^T (1)

其中位姿特征pos＝[x,y,θ]表示目标的x位置、y位置、目标朝向，形状特征shap＝[l,w,h]表示目标的长、宽、高，拓扑特征top＝[g₁,g₂,...,g₇,g₈]表示目标周围其他目标的分布情况。

扩展目标的状态转移模型和量测模型：

x_k＝Ax_k-1+Bu_k-1+w_k-1 (2)

z_k＝Hx_k+v_k (3)

其中x_k表示k时刻的目标状态，z_k表示k时刻的目标测量，A为状态转移矩阵，u_k-1为系统输入，B为将输入转换为状态的矩阵，H为量测矩阵，w_k-1和v_k分别为相互独立的过程噪声和量测噪声。

下一步进行特征提取，位姿特征和形状特征由传感器检测得出，设有目标序列T＝{T₁,T₂,T₃,...,T_n}，其中n为目标数量，取其中第i个目标T_i为原点建立极坐标系，然后按照π/4的极角大小将平面分为8个扇形区间{R₁,R₂,R₃,...,R₈}，剩余目标T-T_i分别落入对应区间，统计区间R_i中目标与原点的极径之和g_i作为这一区间特征值，最终得到8维特征向量top_i＝[g₁,g₂,...,g₇,g₈]即为目标T_i的拓扑特征。

其次对目标做一步预测，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：

P_k ^-＝AP_k-1A^T+Q (5)

然后计算目标相似度，特征相似度衡量方法使用欧氏距离，设有两个n维特征向量，通过设定距离阈值d_max,若特征向量之间欧式距离超过距离阈值，则特征向量之间相似度s为零，达到对量测的筛选作用，向量计算方法如下：

其中d(x,y)为向量x和向量y之间的欧式距离，n表示向量的维数，利用该方法可计算出目标的位姿、形状、拓扑相似度s_pos、s_shap、s_top。通过加权计算得出目标相似度s_tar：

s_tar＝p₁s_pos+p₂s_shap+p₃s_top (8)

其中p₁,p₂,p₃为各个特征所占权重，且p₁+p₂+p₃＝1。

根据相似度进行数据关联，假设目标轨迹数量和目标量测数量分别为m和n，由目标相似度计算方法获得一个m×n维的相似度矩阵S_m×n：

其中s_tar,i,j表示目标轨迹i和目标量测j的相似度，设定阈值ε，当s_tar,i_,j＜ε时，令s_tar,i,j＝0，然后筛选出全零行和全零列，分别代表无量测关联轨迹与无可关联的量测，降低后续计算量，得到相似度矩阵S′_m×n，定义关联矩阵A_ij：

其中a_ij为二值变量，为0表示不关联，为1表关联，在约束条件下调整关联矩阵的元素取值，使得相似度矩阵与关联矩阵对应元素乘积之和最大，此时的关联矩阵为最优解。该最优分配问题公式如下：

目标函数：

约束条件：

如图3所示为本发明一种引入目标间拓扑特征的扩展目标跟踪方法的目标关联流程图。

下一步判断目标跟踪起始与终止。通过求解得出关联矩阵A_ij，全零行和全零列代表关联失败的轨迹和量测，其中全零列的列号所对应的目标量测作为潜在的需要生成轨迹，在后续的k次跟踪流程中，若其关联成功次数大于k_discover，则将其视为真正的目标轨迹。其中全零行的行号所对应的轨迹视为潜在需要销毁的轨迹，在后续的k次跟踪流程中，若其关联失败次数大于k_disappear，则将轨迹销毁。设在k次跟踪流程中，量测关联成功次数为T_discover，轨迹关联失败次数为T_disappear，有如下描述：

若T_discover＞k_discover，则生成轨迹，为目标跟踪起始；

若T_disappear＞k_disappear，则销毁轨迹，为目标跟踪终止。

最后依据关联结果计算目标的最优估计，计算卡尔曼增益K_k，通过先验估计和量测的到目标的最优状态估计，更新最优估计协方差：

K_k＝P_k ^-H^T(HP_k ^-H^T+R)^-1 (13)

P_k＝(I-K_kH)P_k ^- (15)

其中R为测量噪声协方差，H为状态变量到测量的转换矩阵，I为单位矩阵。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

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 (8)

1.一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，包括以下步骤：

在目标跟踪过程中，同时考虑目标自身属性以及目标之间的相对位置关系来建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，使目标具有位姿、形状、拓扑三个方面的特征属性；

利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态；并通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计；

所述建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，具体包括：

建立目标的特征模型：

x_k＝[pos,shap,top]^T (1)

其中位姿特征pos＝[x,y,θ]表示目标的x位置、y位置、目标朝向，形状特征shap＝[l,w,h]表示目标的长、宽、高，拓扑特征top＝[g₁,g₂,...,g₇,g₈]表示目标周围其他目标的分布情况；

建立扩展目标的状态转移模型和量测模型：

x_k＝Ax_k-1+Bu_k-1+w_k-1 (2)

z_k＝Hx_k+v_k (3)

其中x_k表示k时刻的目标状态，z_k表示k时刻的目标测量，A为状态转移矩阵，u_k-1为系统输入，B为将输入转换为状态的矩阵，H为量测矩阵，w_k-1和v_k分别为相互独立的过程噪声和量测噪声。

2.根据权利要求1所述的一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，目标的特征提取方法具体包括：

位姿特征和形状特征由传感器检测得出，设有目标序列T＝{T₁,T₂,T₃,...,T_n}，其中n为目标数量，取其中第i个目标T_i为原点建立极坐标系，然后按照π/4的极角大小将平面分为8个扇形区间{R₁,R₂,R₃,...,R₈}，剩余目标T-T_i分别落入对应区间，统计区间R_i中目标与原点的极径之和g_i作为这一区间特征值，最终得到8维特征向量top_i＝[g₁,g₂,...,g₇,g₈]即为目标T_i的拓扑特征。

3.根据权利要求2所述的一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，所述利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态，具体包括：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：

P_k ^-＝AP_k-1A^T+Q (5)

其中为目标k-1时刻的最优状态估计，为目标k时刻的状态预测值，Q为服从正态分布的过程噪声，P_k ^-为k时刻的先验估计协方差，P_k-1表示k-1时刻的后验估计协方差。

4.根据权利要求3所述的一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，所述通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，具体包括：

特征相似度衡量方法使用欧氏距离，设有两个n维特征向量，通过设定距离阈值d_max,若特征向量之间欧式距离超过距离阈值，则特征向量之间相似度s为零，达到对量测的筛选作用，向量计算方法如下：

其中d(x,y)为向量x和向量y之间的欧式距离，n表示向量的维数，利用该方法可计算出目标的位姿、形状、拓扑相似度s_pos、s_shap、s_top；

然后通过加权计算得出目标相似度s_tar：

s_tar＝p₁s_pos+p₂s_shap+p³s_top (8)

其中p₁,p₂,p₃为各个特征所占权重，且p₁+p₂+p₃＝1。

5.根据权利要求4所述的一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，所述利用相似度做目标关联，具体包括：

假设目标轨迹数量和目标量测数量分别为m和n，由目标相似度计算方法获得一个m×n维的相似度矩阵S_m×n：

其中s_tar,i,j表示目标轨迹i和目标量测j的相似度，设定阈值ε，当s_tar,i,j＜ε时，令s_tar,i,j＝0，然后筛选出全零行和全零列，分别代表无量测关联轨迹与无可关联的量测，降低后续计算量，得到相似度矩阵S′_m×n，定义关联矩阵A_ij：

其中a_ij为二值变量，为0表示不关联，为1表关联，在约束条件下调整关联矩阵的元素取值，使得相似度矩阵与关联矩阵对应元素乘积之和最大，此时的关联矩阵为最优解；该最优分配问题公式如下：

目标函数：

约束条件：

6.根据权利要求5所述的一种引入目标间拓扑特征的扩展目标跟踪方法，其特征在于，还包括滤波的步骤：

计算卡尔曼增益K_k，通过先验估计和量测的到目标的最优状态估计，更新最优估计协方差：

K_k＝P_k ^-H^T(HP_k ^-H^T+R)^-1 (13)

P_k＝(I-K_kH)P_k ^- (15)

其中R为测量噪声协方差，H为状态变量到测量的转换矩阵，I为单位矩阵。

7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～6任一项所述的引入目标间拓扑特征的扩展目标跟踪方法。

8.一种引入目标间拓扑特征的扩展目标跟踪系统，其特征在于，包括：

模型建立模块：用于在目标跟踪过程中，同时考虑目标自身属性以及目标之间的相对位置关系来建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，使目标具有位姿、形状、拓扑三个方面的特征属性；

预测模块：利用上一时刻目标的最优估计与系统状态转移方程得到k时刻目标的预测状态；

估计模块：用于通过加权计算目标量测与目标轨迹之间位姿、形状、拓扑特征相似度得出目标相似度，利用相似度做目标关联，最后利用卡尔曼滤波器得到目标的最优状态估计；

所述建立目标的特征模型，以及建立扩展目标的状态转移模型和量测模型，具体包括：

建立目标的特征模型：

x_k＝[pos,shap,top]^T (1)

其中位姿特征pos＝[x,y,θ]表示目标的x位置、y位置、目标朝向，形状特征shap＝[l,w,h]表示目标的长、宽、高，拓扑特征top＝[g₁,g₂,...,g₇,g₈]表示目标周围其他目标的分布情况；

建立扩展目标的状态转移模型和量测模型：

x_k＝Ax_k-1+Bu_k-1+w_k-1 (2)

z_k＝Hx_k+v_k (3)

其中x_k表示k时刻的目标状态，z_k表示k时刻的目标测量，A为状态转移矩阵，u_k-1为系统输入，B为将输入转换为状态的矩阵，H为量测矩阵，w_k-1和v_k分别为相互独立的过程噪声和量测噪声。