一種基于改進網絡流圖的多目標跟蹤方法
【專利摘要】本發(fā)明提供一種基于改進網絡流圖的多目標跟蹤方法，該方法通過改進了網絡流圖模型，充分利用了臨近目標對的信息，對每條假設軌跡內部的所有關聯值求和來構建秩一張量，通過張量迭代確定所有單位向量，把單位向量作為代價消耗，并用匈牙利算法進行二值化處理，得到多目標跟蹤的結果，減少了計算時間，提高了目標跟蹤準確率。
【專利說明】
-種基于改進網絡流圖的多目標跟蹤方法
技術領域
[0001] 本發(fā)明設及圖像處理領域，更具體地，設及一種基于改進網絡流圖的多目標跟蹤 方法。
【背景技術】
[0002] 在多目標跟蹤器的設計過程中，對標的運動過程進行較為完整的建模成為一種常 用且有效的解決方法。例如，倫敦大學的化OStow副教授通過對單個目標的特征點進行聚類 概率建模來獲得目標的運行軌跡。利用濾波器針對性地設計統計軌跡模型，對跟蹤過程的 每個位置進行先驗概率統計計算，獲得目標在大概率下的跟蹤似然軌跡等。然而，運類方法 大多需要許多的限定假設條件來滿足模型環(huán)境，有些還會出現NP完全問題。將運種策略與 進化算法相結合構造出一種基于分解的多目標進化算法(Multiobjective Evolutionary Algorithm Based on Decomposition，MOEA/D)。該算法將逼近整個化reto前沿面的問題分 解為一定數量的單目標跟蹤優(yōu)化問題，然后用進化算法同時求解運些單目標跟蹤優(yōu)化問 題。利用K最短路徑算法化化ortest Path,KSP)松她多目標跟蹤問題的整數規(guī)劃，并獲得 全局最優(yōu)解。上述方法存在W下缺陷：
[0003] (1)對于復雜背景和高密度人群的場景，多目標跟蹤的準確率不高；（2)計算速度 慢，上述方法大都在整個視頻集中確定目標運動軌跡，需要較長的計算時間，對于一些對時 間要求高的應用不能達到要求。

【發(fā)明內容】

[0004] 本發(fā)明為提供一種基于改進網絡流圖的多目標跟蹤方法，該方法可減少檢測多個 運動目標的計算時間，提高目標跟蹤準確率。
[0005] 為了達到上述技術效果，本發(fā)明的技術方案如下：
[0006] -種基于改進網絡流圖的多目標跟蹤方法，包括W下步驟：
[0007] Sl:用DPM算法在視頻的每帖中檢測出運動目標，并保留每個運動目標的檢測準確 率.
[000引S2:構建整個視頻的改進的網絡流圖模型，在時間域內計算視頻的每帖中相鄰運 動目標對的關聯值；
[0009] S3:對每個運動目標的每條假設軌跡的所有關聯值求和來構建秩一張量，秩一張 量的每一元素對應一條軌跡的關聯值和；
[0010] S4:用若干個單位向量相乘近似秩一張量，通過張量迭代確定所有單位向量；
[0011] S5:把單位向量作為代價消耗，并用匈牙利算法進行二值化處理，得到多目標跟蹤 的結果。
[0012] 進一步地，所述步驟S2中改進的網絡流圖的計算過程如下：
[001引
山
[0014]
(包》
[0015] 其中，表示一條假設軌跡的關系值的和八,心,表示一種關系假設，也是一條 軌跡的假設，要確定:的值，式(2)是約束條件，一個目標至多屬于一個人，軌跡假設的 值為0或1，關系值和.k_,作為張量中的元素，則可W引用K-2階張量S中的元素表示所有的 軌跡假設結果。
[0016] 進一步地，K-2階秩一張量可W表示為K-2個單位向量的乘積，對于步驟S3中的秩 一張量S，尋找K-2個單位向量集n = {n W，n W，...，n 巧日常數A最小化F范數：
[0017]
[0018] 其中，< 表示單位向量nw中的第k個元素，上式可W用拉格朗日算法或最小二乘 法處理，將式（3)轉化成如下形式：
[0019]
[0020] 式(3)的最小值等價于求下面g(口）的最大值：
[0021]
[0022] 通過張量能量迭代可W快速確定K-2個單位向量，單位向量反應的是軌跡的選擇 結果。
[0023] 與現有技術相比，本發(fā)明技術方案的有益效果是：
[0024] 本發(fā)明通過改進了網絡流圖模型，充分利用了臨近目標對的信息，對每個運動目 標的每條假設軌跡的所有關聯值求和來構建秩一張量，通過張量迭代確定所有單位向量， 把單位向量作為代價消耗，并用匈牙利算法進行二值化處理，得到多目標跟蹤的結果，減少 了計算時間，提高了目標跟蹤準確率。
【附圖說明】
[0025] 圖1為改進的網絡流圖；
[0026] 圖2為現有的網絡流圖；
[0027] 圖3為本發(fā)多目標跟蹤方法的流程圖。
【具體實施方式】
[0028] 附圖僅用于示例性說明，不能理解為對本專利的限制；
[0029] 為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產品 的尺寸；
[0030] 對于本領域技術人員來說，附圖中某些公知結構及其說明可能省略是可W理解 的。
[0031] 下面結合附圖和實施例對本發(fā)明的技術方案做進一步的說明。
[0032] 實施例1
[0033] 本發(fā)明方法采用改進的網絡流圖模型做多目標跟蹤運動目標，改進的網絡流圖如 圖1所示，有4列點，表示連續(xù)=帖圖片中的運動目標，左右兩列點各表示第一帖和第=帖圖 片中的運動目標，中間兩列的點都表示第二帖圖片中的運動目標。虛線框為一個基本單位， 是一個目標對的關聯假設，圓點是輸入點，正方形點是輸出點。計算時間軸上相鄰虛線框的 關聯值，對一條軌跡假設的關聯值求和，作為秩一張量的一個元素，秩一張量中的元素涵蓋 了所有軌跡假設情況。用若干個單位向量相乘近似逼近秩一張量，通過張量能量迭代確定 單位向量的值，再用匈牙利算法進一步確定所有目標的運動軌跡。
[0034] 如圖3,本發(fā)明基于改進網絡流圖的多目標跟蹤方法的流程為：
[0035] (1)用DPM算法在視頻的每帖中檢測出運動目標，并保留每個檢測目標的準確率。
[0036] (2)構建改進的網絡流圖模型，在時間域內計算相鄰目標對的關聯值。
[0037] (3)構建秩一張量，對每條假設軌跡的所有關聯值求和，秩一張量的元素對應一條 軌跡的關聯值和。
[0038] (4)用若干個單位向量相乘近似秩一張量，通過張量迭代確定所有單位向量。
[0039] (5)把單位向量作為代價消耗，轉化為二值問題，用匈牙利算法求二值結果，即是 多目標跟蹤的結果。
[0040] 下面詳細介紹（2)至(5)步驟：
[0041] 步驟(2):如圖2所示，在傳統的網絡流圖中，S列圓點代表連續(xù)S帖圖片的運動目 標，運些目標的關系式未知的，需要確定哪些目標屬于同一個人。在步驟(2)中改進了網絡 流圖模型，圖1把圖2中的所有匹配假設作為一個基本點，例如圖2中的點1和點4對應圖1中 包含點1和點2的虛線框(匹配假設）。藍色點代表輸入點，紅色點代表輸出點。在時間域上計 算相鄰的兩個匹配假設的關系值，關系值基于外貌相似性和動作平滑性。
[0042] 步驟(3):假設有視頻中有K帖圖片，每帖圖片有N個目標，改進的網絡流圖的計算 公式如下：
[0043]
[0044]
[0045] 其中，0" .<1_^表示一條假設軌跡的關系值的和，聽^_,表示一種關系假設，也是一條 軌跡的假設，要確定X,,...,,-:的值。式(2)是約束條件，一個目標至多屬于一個人，軌跡假設的 值為0或1。為了減少計算時間，本發(fā)明引用秩一張量解決上述問題。把關系值和A,...:作為 張量中的元素，則可W用K-2階張量S中的元素表示所有的軌跡假設結果。
[0046] 步驟(4) :K-2階秩一張量可W表示層K-2個單位向量的乘積，對于步驟(3)中的張 量5，尋找1(-2個單位向量集口 = {n W，n W，...，n 巧日常數A最小化F范數：
[0047]
[004引其中，兩J表示單位向量nw中的第k個元素，上式可W用拉格朗日算法或者最小二 乘法解決，經過推倒，式(3)轉化成如下形式：
[0049]
[0050] 運樣，求式(3)的最小值等價于求下面g(n)的最大值：
[0化1 ]
[0052] 式巧)與式（1)的表達方式相同，通過張量能量迭代可W快速確定K-2個單位向量， 單位向量反應的是軌跡的選擇結果。但得到的單位向量不是二值結果，確定軌跡需要明確 的而直接過
[0053] 步驟(5):在上步中得到K-2個單位向量，把單位向量的元素作為代價消耗，轉化為 二值分布問題，用匈牙利算法確定最后的解，得到所有的運動軌跡。
[0054] 相同或相似的標號對應相同或相似的部件；
[0055] 附圖中描述位置關系的用于僅用于示例性說明，不能理解為對本專利的限制；
[0056] 顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可 W做出其它不同形式的變化或變動。運里無需也無法對所有的實施方式予W窮舉。凡在本 發(fā)明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發(fā)明權利要求 的保護范圍之內。
【主權項】
1. 一種基于改進網絡流圖的多目標跟蹤方法，其特征在于，包括以下步驟： S1:用DPM算法在視頻的每幀中檢測出運動目標，并保留每個運動目標的檢測準確率； S2:構建整個視頻的改進的網絡流圖模型，在時間域內計算視頻的每幀中相鄰運動目 標對的關聯值； S3:對每個運動目標的每條假設軌跡的所有關聯值求和來構建秩一張量，秩一張量的 每一元素對應一條軌跡的關聯值和； S4:用若干個單位向量相乘近似秩一張量，通過張量迭代確定所有單位向量； S5:把單位向量作為代價消耗，并用匈牙利算法進行二值化處理，得到多目標跟蹤的結 果。2. 根據權利要求1所述的基于改進網絡流圖的多目標跟蹤方法，其特征在于，所述步驟 S2中改進的網絡流圖的計算過程如下：其中，表示一條假設軌跡的關系值的和表示一種關系假設，也是一條軌跡 的假設，要確定的值，式(2)是約束條件，一個目標至多屬于一個人，軌跡假設的值為0 或1，關系值和氣％作為張量中的元素，則可以引用K-2階張量S中的元素表示所有的軌跡 假設結果。3. 根據權利要求2所述的基于改進網絡流圖的多目標跟蹤方法，其特征在于，K-2階秩 一張量可以表示為K-2個單位向量的乘積，對于步驟S3中的秩一張量S，尋找K-2個單位向量 集Π = {Π(1)，Π(2)，...，Π (κ_2)}和常數λ最小化F范數： Μ 'K-2其中，< 表示單位向量n(k)中的第k個元素，上式可以用拉格朗日算法或最小二乘法處 理，將式(3)轉化成如下形式：式(3)的最小值等價于求下面g (Π)的最大值：通過張量能量迭代可以快速確定K-2個單位向量，單位向量反應的是軌跡的選擇結果。
【文檔編號】G06T7/20GK105957104SQ201610255448
【公開日】2016年9月21日
【申請日】2016年4月22日
【發(fā)明人】胡海峰, 潘瑜, 曹向前, 肖翔, 顧建權, 張偉, 胡偉鵬, 李昊曦
【申請人】廣東順德中山大學卡內基梅隆大學國際聯合研究院