基于背景差分检测和改进GM-PHD滤波器的多目标跟踪

发布时间：2020-03-14 05:42

【摘要】：在多目标跟踪过程中,遮挡和漏检容易引起目标标签错乱和丢失,造成跟踪失败。针对该问题,提出一种基于混合高斯-概率假设密度(GM-PHD)滤波器的改进跟踪方法。使用背景差分检测获得二值图像映射和测量集,以外观为基础的探测器检测目标外观,将背景差分获得的测量集与外观检测器获得的测量集进行融合,利用改进的GM-PHD滤波器保持目标跟踪轨迹,并处理目标跟踪中的一些不确定性因素。实验结果表明,与GM-PHD方法、颜色外观方法和SMC-PHD方法相比,该方法能获得较好的跟踪精度。
【图文】：

二值图像,分检,跟踪系统,步骤

。在预测步骤中，GM-PHD的强度通过JXk|k－1进行建模，计算如下:vk|k－1(x)=∑JXk|k－1i=1wik|k－1N(x;mik|k－1，Sik|k－1)(5)在更新步骤中，GM-PHD的强度建模为一个高斯混合函数，即:vk(x)=∑z∈Z∑JXk|k－1j=1wjk(z)N(x;mjk|k(z)，Sjk|k)+(1－PD，k)vk|k－1(x)(6)其中，PD，k代表检测概率;wjk代表第j个目标的权重。更多详细信息可以参考文献［13］。2提出的方法2．1方法介绍本文提出的目标检测和跟踪系统的流程如图1所示。图1本文跟踪系统的总体步骤由图1可知，每一步中，背景差分检测(BackgroundSubtractionDetection，BSD)运用背景图片(BackGroundImage，BGI)和当前帧Ik来获取二值图像映射I⌒k和测量集ZDk。测量集ZDk包含在时间步骤k中，运用BSD检测对象的边界框。以外观为基础的探测器，也通过外观模型来检测目标。为每个目标建立一套特定的检测器。运用目标外观254

重要性,和集,外界,目标

哂阢兄y8的像素置为0，将其他像素置为1。最后，运用连通分量和形态学算子提取目标边界框。由于BSD通常会产生许多小尺寸的虚假检测，删除这些检测，可以减少不确定性。在图1中，由BSD在时间步骤k获得的测量和图像映射分别表示为ZDk和I·k。测量集ZDk用于考虑新产生的目标，也用于更新在每个步骤中每个轨迹的外观模型。2．3测量融合测量获取是视觉目标跟踪中最关键的一个步骤。这是因为，由于各种不确定因素的影响，比如噪声、杂波、光照变化、目标变形和部分遮挡，目标测量的效果可能会降低，如图2所示，均列举2个示例。如图2(b)和图2(c)所示，由于低对比度和噪声的影响，BSD检测目标变得不准确。另外，在图2(d)和图2(e)中，由于部分遮挡，BSD不能精确地检测出目标边界框，导致漏检和噪声。图2一些外界可能的影响以及测量融合的重要性本文假设集合ZDk={z1Dk，，z2Dk，…，zJZDkDk}和集合ZAk={z1Ak，z2Ak，…，zJZAkAk}分别表示由BSD和外观探测器得到的测量结果。测量的融合执行如下:首先，计算ZDk和ZAk所有测量之间的重叠率。如果重叠率满足一个给定的阈值，那么测量ziAk与测量ziDk关联，本文实验的经验阈值为0．5，关联测量融合为:zi，jFk=wAkziAk+(1－wAk)zjDk(7)其中，参数wAk表示基于外观检测的影响。这个影响可以利用图2解释，图2第1行是背景差分检测ZDk，第2行是外观检测ZAk，第3行是测量融合集ZFk，在非阻塞条件下(这里定义非阻塞是指目标没有被遮挡或干扰，如图2(b)和图2(c))所示，wAk可以设置为0．5;在阻塞条件下(阻塞是指目标被?

【参考文献】