基于直觉模糊随机森林的目标跟踪方法及装置转让专利
申请号 : CN201611170877.0
文献号 : CN106846361B
文献日 : 2019-12-20
发明人 : 李良群 , 李俊 , 谢维信 , 刘宗香
申请人 : 深圳大学
摘要 :
权利要求 :
1.一种基于直觉模糊随机森林的目标跟踪方法,其特征在于,包括:
对当前视频帧进行运动检测,检测得到的可能运动对象作为观测结果;
对所述观测结果和目标的预测结果进行关联,其中所述预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的,所述目标包括可靠目标及临时目标;
对未被关联的所述观测结果和所述预测结果进行轨迹管理,其中包括对未被关联的所述可靠目标的预测结果进行在线跟踪获取候选结果,利用所述未被关联的所述可靠目标的直觉模糊随机森林对所述候选结果进行匹配;
利用关联结果和匹配结果获取当前帧的目标的轨迹,其中包括对匹配成功的所述可靠目标利用其匹配成功的所述候选结果对其预测结果进行滤波更新以获取所述轨迹;利用所述当前帧的目标的轨迹进行预测,并为关联成功或匹配成功的所述可靠目标更新所述直觉模糊随机森林;
其中,所述对未被关联的所述可靠目标的预测结果进行在线跟踪获取候选结果包括:在所述可靠目标的预测结果位置及其周围指定范围内选择若干个图像块作为所述候选结果,所述候选结果可以包括未被关联的所述观测结果;
所述利用所述未被关联的所述可靠目标的直觉模糊随机森林对所述候选结果进行匹配包括:利用所述直觉模糊随机森林计算所述候选结果作为测试样本隶属于所述可靠目标类别的直觉模糊隶属度;
若所述直觉模糊隶属度大于第一阈值,且所述候选结果与所述可靠目标的预测结果的外观特征相似性度量大于第二阈值,则匹配成功;
其中所述候选结果作为测试样本隶属于所述可靠目标类别的直觉模糊隶属度P(c=m|w)为:其中c为所述测试样本的类别标签,m为所述可靠目标类别,w为所述测试样本,T为所述直觉模糊随机森林中直觉模糊决策树的个数,M为生成所述直觉模糊随机森林的训练样本的类别集合,φt(c=m|w)为利用第t个所述直觉模糊决策树计算得到的所述测试样本w隶属于所述可靠目标类别m的直觉模糊隶属度,定义为:在所述第t个所述直觉模糊决策树中,Bt为所述测试样本w到达的所有叶子节点构成的集合,b为所述测试样本w到达的一个叶子节点,h%(w)为将所述叶子节点b作为当前节点时所述测试样本w隶属于所述当前节点的直觉模糊隶属度, 为所述叶子节点b预测类别为m的置信度,定义为:其中xj为到达所述叶子节点b的训练样本,共有nb个,cj为所述训练样本xj的类别,δ(·)为狄拉克函数,h%(xj)为将所述叶子节点b作为当前节点时所述训练样本xj隶属于所述当前节点的直觉模糊隶属度;
其中样本x隶属于当前节点的直觉模糊隶属度定义h%(x)定义为:
所述样本包括所述测试样本和所述训练样本,所述训练样本包括正训练样本和负训练样本,若所述当前节点为根节点,当所述样本x为所述测试样本时,h%(x)=1,当所述样本x为所述正训练样本且所述正训练样本的总个数为n1且n1为正整数时,h%(x)=1/n1,当所述样本x为所述负训练样本且所述负训练样本的总个数为n0且n0为正整数时,h%(x)=1/n0;
其中D为所述样本到达所述当前节点之前经过的所有分支节点的集合,d为所述集合中的一个分支节点,l表示所述分支节点的输出左分支,r表示所述分支节点的输出右分支,为所述样本到达所述当前节点所经过的隶属于所述分支节点d的输出路径的直觉模糊隶属度,定义为:其中 为所述样本隶属于所述分支节点d的输出左分支的直觉模糊隶属度, 为所述样本隶属于所述分支节点d的输出右分支的直觉模糊隶属度,h(xd)为所述分支节点d的直觉模糊输出判决函数,定义为:其中xd为所述分支节点的所述样本的特征值,k为算子次数,为正整数;
g(xd)为S型函数,定义为:
其中τ为特征门限值,θ为用于控制所述S型函数倾斜程度的常量参数,σ为所述特征值的标准差;
π(·)为模糊直觉指数,定义为:
其中λ为常量参数,0<λ<1,当xd≥τ时,z=g(xd),当xd<τ时,z=1-g(xd);
α为从模糊直觉指数中提取隶属信息的尺度因子,β为从模糊直觉指数中提取非隶属信息的尺度因子,定义为:其中所述算子次数k和所述特征门限值τ的取值通过更新所述直觉模糊决策树过程中的特征选择准则训练确定。
2.根据权利要求1所述的方法,其特征在于,
所述为关联成功或匹配成功的所述可靠目标更新所述直觉模糊随机森林包括:将所述关联成功或匹配成功的所述可靠目标在所述当前视频帧中对应的目标图像块作为新的正训练样本加入正训练样本集中,在所述正训练样本周围指定范围内选择若干个图像块作为负训练样本;
从所述正训练样本集和所述负训练样本组成的训练样本集合中有放回地随机采样若干个样本以获取训练样本子集;
利用所述训练样本子集生成直觉模糊决策树;
循环执行上述步骤以生成预设数量个所述直觉模糊决策树,以组成所述新的直觉模糊随机森林。
3.根据权利要求2所述的方法,其特征在于,
所述利用所述训练样本子集生成直觉模糊决策树包括:
初始化所述训练样本子集中训练样本隶属于根节点的直觉模糊隶属度,其中,所述训练样本子集中正训练样本的总个数n1为正整数时,所述正训练样本隶属于根节点的直觉模糊隶属度为1/n1,所述训练样本子集中负训练样本的总个数n0为正整数时,所述正训练样本隶属于根节点的直觉模糊隶属度为1/n0;
对到达当前节点的所述训练样本进行特征选择准则训练,根据直觉模糊信息增益最大原则确认当前节点的最优一维特征及所述最优一维特征的算子次数和特征门限值的取值,其中所述最优一维特征属于所述训练样本的高维特征矢量,然后判断所述当前节点是否满足停止条件,若满足,则将所述当前节点转化为叶子节点,若不满足,则使用所述最优一维特征将所述当前节点分裂生成下一层的两个分支节点;或判断所述当前节点是否满足停止条件,若满足,则将所述当前节点转化为叶子节点,若不满足,则对到达当前节点的所述训练样本进行所述特征选择准则训练,然后使用所述最优一维特征将所述当前节点分裂生成下一层的两个分支节点;
将所述分支节点作为当前节点返回前一步骤继续执行。
4.根据权利要求3所述的方法,其特征在于,
所述对到达当前节点的所述训练样本进行特征选择准则训练包括:
从所述训练样本的高维特征矢量中随机选择一个一维特征;
从候选特征门限值中选择一个,在选中的一维特征和特征门限值条件下计算所述算子次数取不同数值时的直觉模糊信息增益,记录所述选中的一维特征、所述特征门限值的取值、最大的所述直觉模糊信息增益以及对应的所述算子次数的取值;
为所述候选特征门限值中的每一个执行前一步骤,找出并保存所有记录中所述直觉模糊信息增益最大的一条;
重复执行上述步骤指定次数,在获取的所有保存的记录中找出所述直觉模糊信息增益最大的一条,其中包括的所述一维特征为所述最优一维特征,所述特征门限值的取值和所述算子次数的取值为所述最优一维特征的算子次数和特征门限值的取值。
5.根据权利要求4所述的方法,其特征在于,
所述直觉模糊信息增益ΔH定义为:
其中X={x1,x2,...,xn}为到达所述当前节点的训练样本的集合,n为所述集合中所述训练样本的个数;
H(X)为所述集合X的直觉模糊熵,定义为:
其中δ(·)为狄拉克函数,cj为所述训练样本的类别标签,mi为所述训练样本的类别,由于仅需要对属于目标和不属于目标进行区分,因此共有两类,i=1,2;
训练样本隶属于所述当前节点的直觉模糊隶属度h%(·)定义为:
其中D为所述样本到达所述当前节点之前经过的所有分支节点的集合,d为所述集合中的一个分支节点, 为所述样本隶属于所述分支节点d的输出左分支的直觉模糊隶属度, 为所述样本隶属于所述分支节点d的输出右分支的直觉模糊隶属度,定义为:其中h(xd)为所述分支节点d的直觉模糊输出判决函数,定义为:
其中xd为所述分支节点的所述训练样本的特征值,k为所述算子次数,为正整数;
g(xd)为S型函数,定义为:
其中τ为所述特征门限值,θ为用于控制所述S型函数倾斜程度的常量参数,σ为所述特征值的标准差;
π(·)为模糊直觉指数,定义为:
其中λ为常量参数,0<λ<1,当xd≥τ时,z=g(xd),当xd<τ时,z=1-g(xd);
α为从模糊直觉指数中提取隶属信息的尺度因子,β为从模糊直觉指数中提取非隶属信息的尺度因子,定义为:Hl(X)为所述当前节点输出左分支所包含的训练样本的集合的直觉模糊熵,定义为:Hr(X)为所述当前节点输出右分支所包含的训练样本的集合的直觉模糊熵,定义为:其中 为所述样本隶属于所述当前节点的输出左分支的直觉模糊隶属度,为所述样本隶属于所述当前节点的输出右分支的直觉模糊隶属度,其计算方式与所述分支节点d的相同且使用的参数为所述选中的一维特征、特征门限值和算子次数。
6.根据权利要求4所述的方法,其特征在于,所述候选特征门限值包括对所述训练样本的所述选中的一维特征的取值进行排序后得到的相邻两个所述取值的中值,和/或所有所述训练样本的所述选中的一维特征的取值的平均值。
7.根据权利要求3所述的方法,其特征在于,
所述停止条件包括:
到达所述当前节点某一类别的所述训练样本隶属于所述当前节点的直觉模糊隶属度的和占到达所述当前节点全部所述训练样本的直觉模糊隶属度的总和的比重大于第三阈值;
或到达所述当前节点的所述训练样本隶属于所述当前节点的直觉模糊隶属度的总和小于第四阈值;
或所述当前节点在所述直觉模糊决策树中的深度达到第五阈值。
8.根据权利要求1-7中任一项所述的方法,其特征在于,
所述对未被关联的所述观测结果和所述预测结果进行轨迹管理进一步包括:为未被关联且不是匹配成功的候选结果的所述观测结果建立新的临时目标,将连续关联成功的帧数大于第一帧数阈值的所述临时目标变为可靠目标,删除连续关联不成功的帧数大于第二帧数阈值的所述临时目标,删除连续关联不成功的帧数大于第三帧数阈值,且所述匹配结果为匹配失败的所述可靠目标,其中所述匹配结果为匹配失败是指利用所述直觉模糊随机森林计算所述候选结果作为测试样本隶属于所述可靠目标类别的直觉模糊隶属度小于或者等于第六阈值;
所述利用关联结果和匹配结果获取当前帧的目标的轨迹进一步包括:
对关联成功的所述目标利用其关联的所述观测结果对其预测结果进行滤波更新以获取所述轨迹,对所述新的临时目标将对应的所述观测结果作为所述轨迹,对关联不成功且未被删除的所述临时目标以及关联不成功且匹配不成功且未被删除的所述可靠目标将其预测结果作为所述轨迹。
9.根据权利要求1-7中任一项所述的方法,其特征在于,
所述对所述观测结果和目标的预测结果进行关联包括:
计算所述观测结果和所述预测结果之间的相似性度量,所述相似性度量包括空间距离特征相似性度量以及外观特征相似性度量;
利用所述相似性度量计算所述观测结果和所述预测结果之间的关联代价;
利用所述关联代价计算所述观测结果和所述预测结果之间的最优关联矩阵作为关联结果,使得所述观测结果和所述预测结果的总关联代价最小。
10.根据权利要求9所述的方法,其特征在于,包括:
观测结果d与预测结果o之间的所述空间距离特征相似性度量ψ1定义为:其中||·||2为二范数,(xo,yo)为所述预测结果o的中心坐标,(xd,yd)为所述观测结果d的中心坐标,ho为所述预测结果o的高度, 为方差常量;
所述预测结果o对应的目标模板集为 其中的目标模板ei,i=1,...,n2为经过白化处理且大小缩放至h×w的之前n2个视频帧中的关联/匹配对象图像块,n2为所述目标模板集中包括的所述目标模板的总数且小于或等于第七阈值,所述观测结果d与所述预测结果o之间的所述外观特征相似性度量ψ2定义为:其中s(·)为所述观测结果d与所述目标模板ei之间的归一化相关性度量,定义为:其中d(x,y)为所述观测结果d在坐标(x,y)处的灰度值,ei(x,y)为所述目标模板ei在坐标(x,y)处的灰度值;
所述观测结果d与所述预测结果o之间的关联代价定义为:
ρo,d=1-ψ1×ψ2 (17)
所有所述观测结果组成的集合为D={d1,...,dp},所有所述预测结果组成的集合为O={o1,...,oq},所述观测结果和所述预测结果的总关联代价定义为:其中ρij为观测结果di与预测结果oj之间的关联代价,A=[aij]p×q为所述观测结果和所述预测结果之间的关联矩阵,所述关联矩阵中的任一元素aij∈{0,1},当aij=1时,表示所述观测结果di与所述预测结果oj关联成功;所述最优关联矩阵为求解 得到的关联矩阵A0。
11.根据权利要求10所述的方法,其特征在于,进一步包括:
对于关联成功或匹配成功的所述可靠目标,将其关联/匹配对象图像块经过白化处理且大小缩放至h×w之后加入所述可靠目标的所述目标模板集中,并且若加入之前所述目标模板集中所述目标模板的数量等于所述第七阈值,删除所述目标模板集中最早加入的所述目标模板。
12.一种基于直觉模糊随机森林的目标跟踪装置,其特征在于,包括:处理器和摄像机,所述处理器连接所述摄像机;
所述处理器用于对从所述摄像机获取的当前视频帧进行运动检测,检测得到的可能运动对象作为观测结果;对所述观测结果和目标的预测结果进行关联,其中所述预测结果是至少利用前一视频帧的目标的轨迹进行预测而得到的,所述目标包括可靠目标及临时目标;对未被关联的所述观测结果和所述预测结果进行轨迹管理,其中包括在未被关联的所述可靠目标的预测结果位置及其周围指定范围内选择若干个图像块作为候选结果,所述候选结果可以包括未被关联的所述观测结果,利用所述未被关联的所述可靠目标的直觉模糊随机森林对所述候选结果进行匹配,所述利用所述未被关联的所述可靠目标的直觉模糊随机森林对所述候选结果进行匹配包括利用所述直觉模糊随机森林计算所述候选结果作为测试样本隶属于所述可靠目标类别的直觉模糊隶属度,若所述直觉模糊隶属度大于第一阈值,且所述候选结果与所述可靠目标的预测结果的外观特征相似性度量大于第二阈值,则匹配成功;利用关联结果和匹配结果获取当前帧的目标的轨迹,其中包括对匹配成功的所述可靠目标利用其匹配成功的所述候选结果对其预测结果进行滤波更新以获取所述轨迹;
利用所述当前帧的目标的轨迹进行预测,并为关联成功或匹配成功的所述可靠目标更新所述直觉模糊随机森林;
其中所述候选结果作为测试样本隶属于所述可靠目标类别的直觉模糊隶属度P(c=m|w)为:其中c为所述测试样本的类别标签,m为所述可靠目标类别,w为所述测试样本,T为所述直觉模糊随机森林中直觉模糊决策树的个数,M为生成所述直觉模糊随机森林的训练样本的类别集合,φt(c=m|w)为利用第t个所述直觉模糊决策树计算得到的所述测试样本w隶属于所述可靠目标类别m的直觉模糊隶属度,定义为:在所述第t个所述直觉模糊决策树中,Bt为所述测试样本w到达的所有叶子节点构成的集合,b为所述测试样本w到达的一个叶子节点,h%(w)为将所述叶子节点b作为当前节点时所述测试样本w隶属于所述当前节点的直觉模糊隶属度, 为所述叶子节点b预测类别为m的置信度,定义为:其中xj为到达所述叶子节点b的训练样本,共有nb个,cj为所述训练样本xj的类别,δ(·)%为狄拉克函数,h (xj)为将所述叶子节点b作为当前节点时所述训练样本xj隶属于所述当前节点的直觉模糊隶属度;
其中样本x隶属于当前节点的直觉模糊隶属度定义h%(x)定义为:
所述样本包括所述测试样本和所述训练样本,所述训练样本包括正训练样本和负训练样本,若所述当前节点为根节点,当所述样本x为所述测试样本时,h%(x)=1,当所述样本x为所述正训练样本且所述正训练样本的总个数为n1且n1为正整数时,h%(x)=1/n1,当所述%样本x为所述负训练样本且所述负训练样本的总个数为n0且n0为正整数时,h (x)=1/n0;
其中D为所述样本到达所述当前节点之前经过的所有分支节点的集合,d为所述集合中的一个分支节点,l表示所述分支节点的输出左分支,r表示所述分支节点的输出右分支,为所述样本到达所述当前节点所经过的隶属于所述分支节点d的输出路径的直觉模糊隶属度,定义为:其中 为所述样本隶属于所述分支节点d的输出左分支的直觉模糊隶属度, 为所述样本隶属于所述分支节点d的输出右分支的直觉模糊隶属度,h(xd)为所述分支节点d的直觉模糊输出判决函数,定义为:其中xd为所述分支节点的所述样本的特征值,k为算子次数,为正整数;
g(xd)为S型函数,定义为:
其中τ为特征门限值,θ为用于控制所述S型函数倾斜程度的常量参数,σ为所述特征值的标准差;
π(·)为模糊直觉指数,定义为:
其中λ为常量参数,0<λ<1,当xd≥τ时,z=g(xd),当xd<τ时,z=1-g(xd);
α为从模糊直觉指数中提取隶属信息的尺度因子,β为从模糊直觉指数中提取非隶属信息的尺度因子,定义为:其中所述算子次数k和所述特征门限值τ的取值通过更新所述直觉模糊决策树过程中的特征选择准则训练确定。
说明书 :
基于直觉模糊随机森林的目标跟踪方法及装置
技术领域
背景技术
发明内容
帧的目标的轨迹进行预测而得到的,目标包括可靠目标及临时目标;对未被关联的观测结
果和预测结果进行轨迹管理,其中包括对未被关联的可靠目标的预测结果进行在线跟踪获
取候选结果,利用未被关联的可靠目标的直觉模糊随机森林对候选结果进行匹配;利用关
联结果和匹配结果获取当前帧的目标的轨迹,其中包括对匹配成功的可靠目标利用其匹配
成功的候选结果对其预测结果进行滤波更新以获取轨迹;利用当前帧的目标的轨迹进行预
测,并为关联成功或匹配成功的可靠目标更新直觉模糊随机森林。
结果和目标的预测结果进行关联,其中预测结果是至少利用前一视频帧的目标的轨迹进行
预测而得到的,目标包括可靠目标及临时目标;对未被关联的观测结果和预测结果进行轨
迹管理,其中包括对未被关联的可靠目标的预测结果进行在线跟踪获取候选结果,利用未
被关联的可靠目标的直觉模糊随机森林对候选结果进行匹配;利用关联结果和匹配结果获
取当前帧的目标的轨迹,其中包括对匹配成功的可靠目标利用其匹配成功的候选结果对其
预测结果进行滤波更新以获取轨迹;利用当前帧的目标的轨迹进行预测,并为关联成功或
匹配成功的可靠目标更新直觉模糊随机森林。
成功,则利用匹配成功的候选结果对该可靠目标的预测结果进行滤波更新以获取其轨迹,
使得在发生漏检,目标找不到关联的观测对象的情况下,可以使用直觉模糊随机森林找出
与其匹配的可用于其轨迹滤波更新的候选结果,从而提高目标轨迹的精度,改善目标跟踪
的性能。
附图说明
具体实施方式
标包括在前一视频帧为未被关联且不是匹配成功的候选结果的观测结果建立的新的目标,
以及连续关联成功的帧数小于或者等于第一帧数阈值且未被删除的目标。可靠目标包括连
续关联成功的帧数大于第一帧数阈值且未被删除的目标。目标的预测结果是至少利用前一
视频帧的目标的轨迹进行预测而得到的。
糊随机森林对候选结果进行匹配。
量一般由经验值决定。候选结果可以包括在指定范围内的未被关联的观测结果。相邻的候
选结果可以彼此不重叠,也可以部分重叠。使用未被关联的可靠目标的直觉模糊随机森林
作为分类器,该分类器的分类结果有可靠目标和非可靠目标两类。计算候选结果作为测试
样本隶属于可靠目标类别的直觉模糊隶属度。若该直觉模糊隶属度大于第一阈值η1,且候选结果与可靠目标的预测结果的外观特征相似性度量大于第二阈值η2,则匹配成功,0.5<η1<1且0.5<η2<1。
大于第一阈值η1,与预测结果的外观特征相似性度量是否大于第二阈值η2,如果有至少两个候选结果满足前述两个条件,则选择其中直觉模糊隶属度最大的一个(直觉模糊隶属度相
同则选择外观特征相似性度量最大的一个)作为匹配成功的候选结果用于后续的目标状态
和直觉模糊随机森林的更新;当然,也可以从候选结果中选择直觉模糊隶属度最大的一个
的候选目标,然后判断选中的候选结果的直觉模糊隶属度是否大于第一阈值η1,与预测结果的外观特征相似性度量是否大于第二阈值η2,如果满足前述两个条件则匹配成功。
值η6,且满足0<η6≤η1。其中λ1为大于1的正整数,λ2和λ3均为正整数,且满足λ3≥λ2≥1。
获取轨迹,对新的临时目标将对应的观测结果作为轨迹,对关联不成功且未被删除的临时
目标以及关联不成功且匹配不成功且未被删除的可靠目标将其预测结果作为轨迹。
进行预测以获取下一帧的目标的预测结果,卡尔曼滤波器也可以用于对预测结果和对应的
观测结果/候选结果进行滤波以获取目标的轨迹。
的候选结果,此时更新直觉模糊随机森林的步骤与前述目标的轨迹的获取及预测的步骤的
执行顺序并无限制。目标图像块也可以包括目标的轨迹信息,例如为可靠目标的轨迹所在
位置的图像块,此时更新直觉模糊随机森林的步骤应在前述目标的轨迹的获取的步骤之后
执行。
功,则利用匹配成功的候选结果对该可靠目标的预测结果进行滤波更新以获取其轨迹,使
得在发生漏检,目标找不到关联的观测对象的情况下,可以使用直觉模糊随机森林找出与
其匹配的可用于其轨迹滤波更新的候选结果,从而提高目标轨迹的精度,改善目标跟踪的
性能。
标类别的直觉模糊隶属度P(c=m|w)为:
糊隶属度。
点。因此,直觉模糊决策树的分类结果需要综合考虑多个叶子节点的信息。φt(c=m|w)定义为:
测试样本w到达的一个叶子节点,h (w)为将叶子节点b作为当前节点时测试样本w隶属于当
前节点的直觉模糊隶属度, 为叶子节点b预测类别为m的置信度,定义为:
的输出路径的直觉模糊隶属度的乘积,具体定义为:
前节点所经过的隶属于分支节点d的输出路径的直觉模糊隶属度。
为根节点,则D为空,无法使用式(4)计算h%(x)。在这种情况下,当样本x为测试样本时,h%(x)=1,当样本x为正训练样本且正训练样本的总个数为n1且n1为正整数时,h%(x)=1/n1,当样本x为负训练样本且负训练样本的总个数为n0且n0为正整数时,h%(x)=1/n0。
的分支节点d的输出路径是左分支还是右分支,从式(5)中 和 的表达式中选择对
应的一个代入。h(xd)为分支节点d的直觉模糊输出判决函数。
息,提高不确定信息的利用程度。
(xd)中加入了从模糊直觉指数π(z)中提取的隶属信息,从而减少了原模糊隶属度信息的不确定性。由于当k=0时,由式(6)可以得到h(xd)=g(xd),此时,直觉模糊判决退化为模糊判决,因此,可以认为式(6)是对式(7)的直觉模糊推广。
叶子节点的类别决定。这样的硬判决决策树对样本噪声的鲁棒性不强,当样本受到强噪声
干扰时,其特征值将会发生较大变化,可能导致样本经过的分支发生变化,降低决策树的准确性。
处理能力。尽管模糊决策树能够处理带有不确定性的特征值,但是其需要对样本特征进行
模糊语义化处理,而在目标跟踪中采用的样本特征大多为数值型特征,并且特征维数较高,使得对样本特征的模糊语义化处理变得困难。
模糊决策树的分类性能好。其中的直觉模糊随机树采用Sigmoid函数对传统决策树的硬判
决进行模糊化,省略复杂的模糊语义化过程,并且采用直觉模糊点算子将模糊隶属度推广
到直觉模糊隶属度,提取有用信息,提高鲁棒性。
可靠目标更新直觉模糊随机森林包括:
训练样本,正训练样本集和负训练样本组成训练样本集合。本实施例中的正训练样本集中
可以包括可靠目标在当前以及之前视频帧中所有对应的图像块,也可以限制正训练样本集
中正训练样本的数量小于或者等于指定阈值以节省存储资源。
征门限值也可以包括所有训练样本的选中的一维特征的取值的平均值。当然也可以是以上
两种的组合。
的每一个节点,因此X即为初始化训练样本子集。
当前节点的选中的一维特征和特征门限值,以及本次指定的算子次数。
则训练的步骤的执行顺序不同,具体内容可参考本发明基于直觉模糊随机森林的目标跟踪
方法第四实施例,在此不再赘述。
其中的目标模板ei,i=1,...,n2为经过白化处理且大小缩放至h×w的之前
n2个视频帧中的关联/匹配对象图像块,n2为目标模板集中包括的目标模板的总数。为了存储和计算方便,对目标模板集中所包含的目标模板的数量进行限制,n2小于或等于第七阈
值γ,可以取γ=5。
1]。
优关联矩阵。可以使用匈牙利算法求解得到关联结果。
的数量等于第七阈值,则删除目标模板集中最早加入的目标模板。
频多目标跟踪(IFRFMOT)算法。本实施例的IFRFMOT算法选用的模型参数包括:目标模板的
大小为64×32。直觉模糊随机森林由10个直觉模糊决策树组成,每个直觉模糊决策树的最
大深度为7。直觉模糊随机森林以RGB颜色通道图像作为样本特征。
IDS)、多目标跟踪准确性(Multiple Object Tracking Accuracy,MOTA)、多目标跟踪精度
(Multiple Object Tracking Precision,MOTP)、长时间跟踪的目标比例(Mostly
tracked,MT)、短时间跟踪的目标比例(Mostly lost,ML)以及目标轨迹断开次数
(Fragmentation,FG),其中MOTA、MOTP以及MT的数值越大则说明跟踪性能越好,而IDS、ML以及FG的数值越小则说明跟踪性能越好。本实施例将与TC_ODAL算法(Bae S H,Yoon K
J.Robust online multi-object tracking based on tracklet confidence and online
discriminative appearance learning[C].in IEEE Conference on Computer Vision
and Pattern Recognition,Columbus,OH,2014:1218-1225)、MDP算法(Xiang Y,Alahi A,
Savarese S.Learning to track:Online multi-object tracking by decision making
[C].in IEEE International Conference on Computer Vision,2015:4705-4713)、MHT算
法(Kim C,Li F,Ciptadi A,et al.Multiple hypothesis tracking revisited[C].in
IEEE International Conference on Computer Vision,2015:4696-4704)以及以相同的
样本特征和模型参数实现的基于硬判决决策树的随机森林的视频多目标跟踪算法(RFMOT)
进行性能对比。
善了39.1%,在MT指标上提高了16.7%;与MDP算法相比,IFRFMOT算法在ML指标上改善了
6.2%,在MT指标上提高了1.3%;与MHT算法相比,IFRFMOT算法在ML指标上改善了14.1%,在MT指标上取得了相同的准确率。说明IFRFMOT算法不仅准确跟踪的目标数更多而且输出
的目标轨迹也较为完整。与RFMOT算法相比,IFRFMOT算法在ML指标上改进了0.9%,在MT指标上提升了0.4%,在IDS指标上减少了9次目标标签分配错误。这一结果进一步验证了直觉模糊随机森林的有效性。受高频率遮挡以及目标轨迹交叉的影响,IFRFMOT算法在IDS指标
上要差于TC_ODAL算法、MDP算法以及MHT算法,但IFRFMOT算法估计出了60%的目标轨迹,
IFRFMOT算法同时准确跟踪的目标数要比上述3个对比算法多。由于训练样本的数量较少,
尽管IFRFMOT算法能够对漏检目标进行在线跟踪,但是其候选结果定位不精确,加上目标的非线性运动导致所采用的卡尔曼滤波器的滤波效果下降,IFRFMOT算法在FG指标上要差于
对比算法。
出目标轨迹也较为完整。与RFMOT算法相比,IFRFMOT算法在ML指标上改进了2.3%,在MT指标上提升了2.3%,在IDS指标上减少了15次目标标签分配错误。这一结果进一步验证了直
觉模糊随机森林模型的有效性。尽管视频PETS.S2L2中存在大量目标漏检以及虚假观测,
IFRFMOT算法在IDS指标以及FG指标上仅次于MHT算法,而好于其他对比算法。
的统计结果中已排除运动检测所消耗的处理时间。
的目标比例以及短时间跟踪的目标比例上均取得了优于或者接近于对比算法的跟踪性能,
主要是因为尽管测试视频中存在由于背景干扰和光照变化所导致的目标特征的不确定性
以及由于目标间高频率遮挡而导致的大量目标漏检,由于IFRFMOT算法将基于硬判决的随
机森林推广到了直觉模糊随机森林,能够更好的处理特征描述的不确定性,对不同的目标
以及目标与背景进行有效区分。因此,即使原本稳定跟踪的目标被漏检,本实施例的
IFRFMOT算法仍然能够利用直觉模糊随机森林对其进行在线跟踪。
直觉模糊随机森林对候选结果进行匹配。
迹;利用当前帧的目标的轨迹进行预测,并为关联成功或匹配成功的可靠目标更新直觉模
糊随机森林。
摄像机120也可以为远程摄像机,处理器110通过局域网或互联网连接摄像机120。
片,具有信号的处理能力。处理器110还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻
辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处
理器等。
据。
用前一视频帧的目标的轨迹进行预测而得到的,目标包括可靠目标及临时目标;对未被关
联的观测结果和预测结果进行轨迹管理,其中包括对未被关联的可靠目标的预测结果进行
在线跟踪获取候选结果,利用未被关联的可靠目标的直觉模糊随机森林对候选结果进行匹
配;利用关联结果和匹配结果获取当前帧的目标的轨迹,其中包括对匹配成功的可靠目标
利用其匹配成功的候选结果对其预测结果进行滤波更新以获取轨迹;利用当前帧的目标的
轨迹进行预测,并为关联成功或匹配成功的可靠目标更新直觉模糊随机森林。
技术领域,均同理包括在本发明的专利保护范围内。