CN110751096A - 一种基于kcf轨迹置信度的多目标跟踪方法 - Google Patents

Abstract

基于一种基于KCF轨迹置信度的多目标跟踪方法，包括：S100：建立KCF的滤波器，利用该滤波器计算当前帧中的检测响应与目标跟踪轨迹之间的外观相似度，形状相似度和运动相似度，作为数据关联的关联关系模型；S200：利用滤波器对检测响应进行校正；S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与检测响应未匹配的目标轨迹；S500：对经过校正的检测响应、高置信度轨迹、低置信度轨迹以及候选目标假设集中的候选样本根据关联关系模型执行相邻帧间的数据关联。

Description

一种基于KCF轨迹置信度的多目标跟踪方法

技术领域

本公开属于视频信息处理分析，计算机视觉领域，具体涉及一种基于KCF轨迹置信度的多目标跟踪方法。

背景技术

多目标跟踪(Multi-object tracking，MOT)是计算机视觉领域的研究重点，它在视频监控、交通安全、汽车辅助驾驶***以及机器人导航定位等行业有着广泛的应用。

多目标跟踪的目的是识别视频监控场景中的相关对象，并在视频序列中估计它们的位置。目前，针对视频监控场景中的目标跟踪方法有很多，但是，由于遮挡、漏检、误检以及摄像机的抖动等原因，复杂场景中的多目标跟踪仍然是一个难题。

目前，主流的多目标跟踪方法主要遵循检测-跟踪的 (tracking-by-detection，TBD)框架，该框架将目标检测器提供的检测响应作为输入，通过视频序列不同帧之间的关联对检测响应进行连接，以获得最终的轨迹。因此，按照TBD的范式，MOT的整个过程可以分为两个模块：检测模块和跟踪模块。在基于TBD范式的多目标跟踪中，检测响应是由目标检测器预先提供的，而这些预先提供的检测响应存在误检、漏检的问题。此外，跟踪模块中的数据关联模型存在建模不准确，易产生跟踪错误的问题。因此，基于TBD范式的多目标跟踪算法普遍存在初始检测结果对跟踪性能有很大的影响及数据关联方法造成跟踪错误的问题。

然而，大多数现有的基于TBD范式的MOT方法主要关注跟踪模块，包括数据关联和模型优化。比如基于多假设的多目标跟踪 (Multi-Hypothesis Tracker，MHT)、基于联合概率数据关联的多目标跟踪(Joint Probabilistic Data Association，JPDA)、基于网络流框架的多目标跟踪以及基于学习的多目标跟踪方法。在这些多目标跟踪算法中，目标的外观、形状、位置信息通常被用来提高多目标跟踪的性能，增强跟踪模块的鲁棒性。但是，在这些方法中，很少有方法涉及对检测器引起的漏检、误检进行考虑并对其进行补偿的方法。因此，上述问题是基于TBD范式的MOT方法存在的一个主要缺点。

近年来，单目标跟踪方法(single object tracking，SOT)在外观模型学习方面取得了显著的成效。因此，将SOT跟踪方法应用到 MOT跟踪中有助于提升MOT的跟踪性能。许多跟踪方法遵循这一思想，直接将SOT引入到MOT中以期提高MOT的跟踪性能。但是，SOT在学习目标外观过程中所使用的样本是基于跟踪结果在线学习得到的，其包含大量噪声样本。其次，在视频监控场景中，多目标间的相互遮挡比较严重。此外，在将SOT引入到MOT的过程中，由于SOT需要将新出现的目标实时添加到MOT跟踪***中，直接将SOT应用到MOT将造成计算成本随跟踪目标数量的增加而指数增加的问题。

发明内容

鉴于此，本公开提供了一种基于KCF轨迹置信度的多目标跟踪方法，包括如下步骤：

S100：建立基于KCF的滤波器，利用所述基于KCF的滤波器计算当前帧中的N个检测响应与M条目标跟踪轨迹之间的外观相似度，形状相似度和运动相似度，作为数据关联的关联关系模型，其中N，M 为大于1的整数；

S200：利用所述滤波器对所述N个检测响应进行校正；

S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将所述M条目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；

S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与所述N个检测响应未匹配的目标轨迹；

S500：对经过校正的检测响应、所述高置信度轨迹、所述低置信度轨迹以及所述候选目标假设集中的候选样本根据所述关联关系模型执行相邻帧间的数据关联。

通过上述技术方案，本方法能够显著降低在MOT中使用SOT的计算复杂度；相关滤波器用于测量检测响应与跟踪目标之间的相似度，进一步矫正由检测器引起的检测错误问题；基于APCE遮挡分析的轨迹置信度计算方法以及建立候选目标假设集(candidatetarget hypotheses，CTH)进一步提高多目标跟踪数据关联的性能。该方法有效提高目标跟踪的鲁棒性和跟踪精度。

附图说明

图1是本公开一个实施例中所提供的一种基于KCF轨迹置信度的多目标跟踪方法的流程示意图；

图2是本公开一个实施例中不同组成部分在MOT 2015验证集上的跟踪性能对比示意图。

具体实施方式

下面结合附图对本发明进行进一步的详细说明。

在一个实施例中，参见图1，其公开了一种基于KCF轨迹置信度的多目标跟踪方法，包括如下步骤：

S100：建立基于KCF的滤波器，利用所述基于KCF的滤波器计算当前帧中的N个检测响应与M条目标跟踪轨迹之间的外观相似度，形状相似度和运动相似度，作为数据关联的关联关系模型，其中N，M 为大于1的整数；

S200：利用所述滤波器对所述N个检测响应进行校正；

S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将所述M条目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；

S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与所述N个检测响应未匹配的目标轨迹；

S500：对经过校正的检测响应、所述高置信度轨迹、所述低置信度轨迹以及所述候选目标假设集中的候选样本根据所述关联关系模型执行相邻帧间的数据关联。

就该实施例而言，该方法包含：基于KCF关联相似度的计算，基于KCF检测响应的校正，基于APCE轨迹置信度的两步数据关联以及基于数据关联和KCF的候选目标假设集构建。该方法首先将在线MOT 跟踪任务划分为关联模型的建立和基于关联模型的逐帧数据关联两部分。其次，在关联模型的构造过程中，该方法首先将基于核相关滤波算法KCF(KernelCorrelation Filter)的SOT引入到MOT***中，以捕获在线MOT跟踪中的上下文信息，及时处理由检测器造成的误检及漏检问题。同时，为了建立一个鲁棒的关联模型，该方法不仅基于核相关滤波器测量检测响应与跟踪目标之间的相似性，而且通过 KCF的跟踪结果优化目标检测器提供的检测响应。此外，在逐帧数据关联过程中，为了提高数据关联的性能，该方法引入了基于APCE (average peak-to-correlation energy)轨迹置信度的计算方法，作为跟踪可靠性的指标。然后依据轨迹置信度将目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹两部分。同时，该方法建立了一个候选目标假设集(candidate target hypothesesset，CTH)，其包括之前帧中跟丢的目标及未匹配的目标轨迹，以提高数据关联的性能。最后，对高置信度轨迹，低置信度轨迹，检测器提供的检测响应以及 CTH中的候选样本根据关联模型执行相邻帧间的数据关联。

在另一个实施例中，所述S100进一步包括：

S101：所建立的基于KCF的滤波器为仅利用t-1帧中的目标样本训练KCF滤波器，其中t表示当前帧；

S102：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的外观相似度S_app，具体为：

其中，

为输出向量y_l的离散傅里叶变换，y_l为训练样本f_l的期望输出，f_l是候选样本对应的HOG和CN特征；

S103：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的形状相似度S_shape，具体为：

s_shape＝IoU(x_l，z_l)；

S104：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的运动相似度S_motion，具体为：

S_motion＝G(T_pos-Z_pos，∑)

(12)

其中，G(·)为均值为0的高斯函数，T_pos和Z_pos分别为 x_l和z_l的位置。

就该实施例而言，该方法仅使用前一帧的训练样本训练KCF滤波器，降低SOT跟踪过程中错误样本造成的误差累积对KCF滤波器性能的影响，同时显著降低在MOT中使用SOT的计算代价。

鲁棒的关联模型构建是影响多目标跟踪性能的重要因素。因此，本方法提出了基于KCF的关联模型构建方法。

在基于TBD的在线多目标跟踪框架中，一个关键步骤是将当前帧中的N个检测响应与M条轨迹进行关联。假设第t帧中，N个检测响应表示为

M条轨迹表示为

表示与第j 条轨迹T^j相关联的检测响应，t_s和t_e表示轨迹T^j的起始和终止帧，

表示第k帧中与轨迹T^j相关联的检测响应。这里T^j表示的是轨迹，但是，第j条轨迹T^j是由连续帧中的检测响应

构成的。

轨迹间相似性计算通常是计算检测响应与轨迹间基于某些特征的相似度，如外观、位置及形状；然后根据不同特征相似性的乘积获得最终的关联模型。

建立基于KCF的滤波器，所述基于KCF滤波器的思路是：依据当前帧中被跟踪目标的位置计算相关滤波器的响应值。相关是衡量两个信号相似值的度量，如果两个信号越相似，那么其相关值就越高。因此，在tracking的应用中，KCF训练的目的就是设计一个滤波模板，使得当它作用在跟踪目标上时得到的响应最大。

假设当前帧目标的位置为x，依据此位置按照循环移位的方法所采集的训练样本为x_i(w，h)∈{0，…，W-1}×{0，…，H-1}，对于任意的样本x_i按照高斯函数计算其对应的标签y_i(w，h)，y_i∈[0，1]。当样本x_i处于目标中心位置时，其响应值最大y_i＝1，反之，当样本x_i远离目标中心位置时，其响应变小。因此，KCF训练的目的是寻找函数f(Z)＝ω^Tz使误差函数最小，在此，所定义的误差函数为：

式(1)中λ为正则化系数，ω为式(1)中模型参数解。

通过将低维空间中线性不可分的点引入高维Hilbert空间对其进行可分，本方法引入非线性映射函数

则式(1)可以写为如下形式：

式(2)中的

是核函数为

的非线性映射函数。

根据对偶空间理论，ω可以表示为输入样本非线性映射的加权和：

因此，式(2)中的解由向量ω变成求解对偶空间的向量α＝(α₁…，α_n)。根据映射函数内积对角化的性质，将式(3) 带入式(2)求得向量α的离散傅里叶变换的解：

式(4)中F代表Fourier变换， y＝{y_i(w，h)|(w，h)∈{0，…，W-1}×{0，…，H-1}}为样本标签，k^x＝k(x，x′)为向量x的自身核函数，本方法采用高斯核函数。

在目标跟踪阶段，对于t+1帧中的候选图像块Z，根据之前训练好的模型参数F(α)，计算候选图像块Z与ω，对偶向量α的相关性，得到目标响应值的傅里叶变换的解：

式(5)中，⊙表示向量间的点积，

为Z与目标外观

之间的核相关性。

最后根据相关响应图的最大值位置确定当前帧中目标的位置：

式中，R为最大响应值。

基于KCF的外观相似度计算：本方法中基于KCF外观相似度计算的思路是为了避免误差累积及跟踪过程中噪声样本对模型训练的影响，仅利用第t-1帧中的目标样本训练KCF滤波器模型。

因此，在多目标跟踪中，对于第t-1帧中任意的跟踪目标x_l，根据循环移位原则采样大小为W×H的候选样本x_l，W，H分别表示候选样本x_l的宽度和高度，其对应的HOG(Histogram of Oriented Gradient)和CN(Color Names)特征表示为f_l，则相应的应用于本方法MOT跟踪中的KCF滤波模型为：

式(7)中的y_l为训练样本f_l的期望输出，依据式(2-5)求解式(7)的解。

在多目标跟踪阶段，对于第t帧中的任意检测响应z_l，其相应的响应图由式(7)中的KCF滤波器计算得到：

其中，

为输出向量y_l的离散傅里叶变换。

因此，在MOT跟踪过程中利用式(8)的最大响应值计算第t-1 帧中所跟踪目标x_l与第t帧中检测响应z_l之间的外观相似度 S_app：

基于KCF的形状相似度计算：

对于第t-1帧中已跟踪的任意目标x_l而言，其第t帧中的预测位置由式(8)中的最大响应值

决定。因此，本方法定义目标x_l在第t帧的位置p为：

式(10)中

为目标x_l在第t-1帧的位置。

本方法中定义第t-1帧中所跟踪目标x_l与第t帧中检测响应 z_l之间的形状相似度S_shape由KCF滤波器预测的目标边界框与检测响应的IOU(intersection-over-union)值决定，即：

运动相似度计算：对于任意的跟踪目标x_l与检测响应z_l，其运动相似度定义为：

S_motion＝G(T_pos-Z_pos，∑)

(12)

式(12)中，G(·)为均值为0的高斯函数，T_pos和Z_pos分别为目标x_l和检测响应z_l的位置。

在另一个实施例中，所述S200进一步包括：

S201：利用所述基于KCF的滤波器预测t-1帧中任意目标

在第t帧中的状态：

其中，

为利用所述基于KCF的滤波器所预测目标的位置信息，

和

分别为所预测目标边界框的宽度和高度，

为t-1帧中第j条轨迹的位置

的最大响应值，η为预定义阈值，CTH为候选目标假设集；

S202：当所预测目标的最大响应值大于预定义阈值η，则将其加入到预测目标集

中，反之，加入到CTH候选目标假设集中；

S203：假设第t帧中所有满足上式的预测目标为

则第t帧的检测响应为：

其中，M表示所预测目标的个数，

表示由目标检测器提供的检测响应，

表示检测响应状态

和目标预测状态

基于IoU的冗余消除，其判断依据是

和

的IoU 值是否大于预定义的阈值α；

S204：当

和

的IoU值大于预定义阈值α时，其表示同一个目标，仅保留检测响应，反之，二者代表不同的目标检测响应，同时保留，最终得到第t帧经过KCF校正后的检测响应

就该实施例而言，在MOT跟踪过程中，利用KCF滤波器捕获在线 MOT跟踪中的上下文信息，测量检测响应与目标轨迹之间的相似度，对检测器提供的检测响应进行校正，及时处理由检测器造成的误检及漏检问题。

对于第一帧图像，不需要进行检测响应校正，默认第一帧中的检测响应都是真值。从第二帧图像开始，依据前一帧的跟踪结果训练 KCF滤波器，然后进行校正，校正完成后建立关联关系模型。

Intersection over Union(IOU)是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(boundingboxes)的任务都可以用IoU来进行测量。

在另一个实施例中，预定义阈值η＝0.7，预定义阈值α＝0.6。

就该实施例而言，预定义阈值是0-1之间的数值，根据实验效果确定的具体值。

在另一个实施例中，遮挡和目标间的相互交错是MOT跟踪中的普遍现象。遮挡往往会引起KCF滤波器的响应图发生波动。因此，本方法引入APCE值(average peak-to-correlation energy)计算响应图的波动程度，作为遮挡指标度量MOT跟踪中的遮挡程度。如果所跟踪的目标未被遮挡，APCE值将会很大且相应的响应图是单峰的，反之，当所跟踪的目标存在遮挡，其响应图将发生剧烈的波动且APCE值也将显著降低。APCE定义为：

式中

表示第i个样本的响应值，

和

分别表示式(7) 中的最大、最小响应值。

利用跟踪目标APCE的历史值对APCE进行归一化处理，作为衡量目标遮挡程度的指标O_APCE：

式中，t_s是所跟踪目标轨迹的起始帧索引，t为视频帧索引。经过计算，得到第t帧中任意轨迹的遮挡程度指标O_APCE。

在另一个实施例中，所述S300进一步包括：

所述轨迹置信度定义为：

式中的L_j为T^j的轨迹长度，C(T^j，zⁱ)为轨迹T^j和检测响应zⁱ的关联相似度值，O_APCE为遮挡程度，

分别表示轨迹T^j的起始帧和终止帧。

在另一个实施例中，当conf(T^j)＞0.5时，其对应轨迹为高置信度轨迹，反之，为低置信度轨迹。

就该实施例而言，基于KCF滤波对目标遮挡进行度量，引入APCE 指标衡量目标的遮挡程度并计算轨迹的置信度，作为跟踪可靠性的指标。通过将跟踪轨迹划分为高置信度轨迹和低置信度轨迹进行数据关联，降低跟踪误差对数据关联的影响。

假设经过检测响应校正后，第t帧中存在N个候选检测响应

和M条轨迹

其中，

为第i个检测响应的位置，

表示其相应检测边界框的大小，

和

表示第j条轨迹的位置和置信度，

为第j条轨迹对应的边界框大小。在线多目标跟踪的主要任务是对第t帧中的检测响应与第t-1帧中生成的轨迹进行关联，从而在第t帧中生成当前的目标轨迹。

由于遮挡及检测响应误差的影响，***有时无法建立正确的跟踪轨迹。一条较长且具有高置信度的轨迹通常是一条可靠性较高的轨迹。因此，本方法引入遮挡程度、轨迹长度及关联相似度计算轨迹的置信度，然后将轨迹划分为高置信度轨迹T_high和低置信度轨迹 T_low进行数据关联。

在另一个实施例中，所述S500进一步包括：

所述高置信度轨迹执行相邻帧间的数据关联具体为：

关联关系矩阵构造为：

式中，S_ij为轨迹与检测响应Zⁱ基于外观相似度S_app、形状相似度S_shape及运动相似度S_motion的关联相似度值，S为由S_ij构成的关联关系矩阵，假设第t帧中存在k个高置信度轨迹 T_high，

中包含n个检测响应，候选目标假设集

中存在m个检测响应；

根据所构造的关联关系矩阵，由Hungarian算法求解高置信度轨迹与检测响应之间的关联匹配，然后依据关联结果更新轨迹的置信度值及轨迹的状态。

就该实施例而言，首先对高置信度轨迹进行数据关联，其涉及 T_high与检测响应

的数据关联，在此，基于轨迹与检测响应的外观相似度、形状相似度以及运动相似度进行关联关系矩阵的构造。

在另一个实施例中，所述S500进一步包括：

所述低置信度轨迹执行相邻帧间的数据关联具体为：

在将高置信度轨迹与检测响应关联后，假设

集中存在n′个未被关联的检测响应，候选目标假设集中存在m′个未被关联的检测响应和q′个未被关联的轨迹，k′个未被关联的高置信度轨迹T_high，

表示第t帧中的候选检测响应

假设第t帧中存在l条低置信度的轨迹，h条未匹配的轨迹， h＝q′+k′，q个检测响应，q＝n′+m′；则低置信度轨迹数据关联过程中的关联矩阵为：

式中，A＝[a_ij]，

表示第i条低置信度轨迹

与第j条高置信度轨迹

的关联相似度值；B＝[b_ij]，

表示第i条低置信度轨迹与第j个检测响应c^j的关联相似度值；D＝diag[d₁，…，d_l]，

为第i条低置信度轨迹

终止的概率；τ为预定义阈值，X 为低置信度轨迹关联过程中由A，B，D，τ构成的关联关系矩阵；

根据所构造的关联关系矩阵，由Hungarian算法求解低置信度轨迹的关联问题，然后依据关联结果更新轨迹的置信度值及轨迹的状态。

就该实施例而言，由于低置信度轨迹仅存在三种关联状态：与高置信度轨迹关联，或者与检测响应关联，或者终止。因此，本方法基于此进一步检测是否上述检测响应及轨迹与低置信度轨迹存在关联。

在另一个实施例中，候选目标假设集的更新。本方法在多目标跟踪中，为了克服误检与漏检的影响，在第t帧中进行数据关联之后，将中未匹配的检测响应合并到候选目标假设CTH中，将其保留为潜在的轨迹。同时，为了避免错误的跟踪，未匹配的高置信度轨迹与低置信度轨迹也加入到CTH集中。此外，为了节省计算时间及空间，

中的候选目标如果在连续多帧(设定为6帧)中未与任何检测响应或轨迹进行关联，将对其进行舍弃处理。经过对

集中的轨迹与检测响应的增加与删除工作后，获得第t帧的CTH集

在另一个实施例中，如图2所示，P1为本方法去掉基于KCF检测响应校正部分的MOT跟踪方法，P2表示使用颜色直方图，跟踪目标与检测响应的IOU(intersection-over-union)值替换本方法中基于KCF的关联关系计算部分的MOT跟踪方法，P3为本方法去掉基于KCF的遮挡分析部分的MOT跟踪方法，P4为本方法去掉候选目标假设集部分的MOT跟踪方法，Ours表示本方法包含所有步骤的跟踪方法。表1为P1，P2，P3，P4及本方法基于多目标跟踪评价指标在 MOT 2015验证集上的评价结果，其评价指标包括：MOTP(Multiple ObjectTracking Precision)，MOTA(Multiple Object Tracking Accuracy)，MT(Mostly-Tracked)，ML(Mostly-Lost)，FP(False Positive)，FN(False Negative)及IDs(ID-switch)。其中，表1中对于带(↑)的指标，其数值越高表示性能越好；对于带(↓)的指标，其数值越低表示其性能越好。

Tracker	MOTA(％)↑	MOTP(％)↑	MT(％)↑	ML(％)↓	FP↓	FN↓	IDs↓
								P1	19.8	73.9	8.5	68.6	3309	15017	265
P2	24.7	73.8	10.3	53.4	3197	13367	134
								P3	23	73.6	9.8	56	3548	13651	147
P4	22.1	73.5	9.8	53.8	3727	14958	138
								Our	28.6	73.9	13.3	52.4	2691	13491	123

表1

由图2及表1评价结果可以看出，本方法各个组成部分均有助于提高多目标跟踪方法的跟踪精度，P1-P4跟踪方法的跟踪精度，MOTA 指标均低于本方法。P1跟踪方法由于缺乏基于KCF检测响应校正部分，其MOTA指标明显下降，IDs指标明显增加。P2跟踪方法中由于基于KCF滤波器的关联关系计算方法被替换，MOTA指标出现下降的现象，ID指标也出现增加的现象，此现象进一步说明本方法中所提出的基于KCF相似性计算的方法能够更好的学习跟踪目标的外观信息，所提出的基于KCF检测响应校正的策略在在一定程度上可以消除由检测器引起的漏检及误检问题。从P3跟踪方法的跟踪性能可以看出，基于APCE的轨迹置信度计算是本方法的重要组成部分，缺失该部分，跟踪算法的跟踪精度MOTA将明显下降，从而说明本方法中提出的基于APCE轨迹置信度的计算方法有助于提高数据关联的性能。在P4跟踪方法中，由于缺失了候选目标假设集，MOTA显著下降，IDS 显著增加，进一步表明候选目标假设集在一定程度上可以处理跟踪误差和检测响应误差，有助于提高跟踪的精度。因此，本方法提出的各部分，包括基于KCF的关联相似度计算，基于KCF的检测响应校正，基于APCE轨迹置信度的两步数据关联及基于数据关联和KCF的候选目标假设集均有助于提高多目标跟踪的跟踪精度。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (9)

1.一种基于KCF轨迹置信度的多目标跟踪方法，包括如下步骤：

S100：建立基于KCF的滤波器，利用所述基于KCF的滤波器计算当前帧中的N个检测响应与M条目标跟踪轨迹之间的外观相似度、形状相似度和运动相似度，作为数据关联的关联关系模型，其中N，M为大于1的整数；

S200：利用所述滤波器对所述N个检测响应进行校正；

S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将所述M条目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；

S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与所述N个检测响应未匹配的目标轨迹；

S500：对经过校正的检测响应、所述高置信度轨迹、所述低置信度轨迹以及所述候选目标假设集中的候选样本根据所述关联关系模型执行相邻帧间的数据关联。

2.根据权利要求1所述的方法，优选的，所述S100进一步包括：

S101：所建立的基于KCF的滤波器为仅利用t-1帧中的目标样本训练KCF滤波器，其中t表示当前帧；

S102：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的外观相似度S_app，具体为：

其中，

为输出向量y_l的离散傅里叶变换，y_l为训练样本f_l的期望输出，f_l是候选样本对应的HOG和CN特征；

S103：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的形状相似度S_shape，具体为：

S_shape＝IoU(x_l，z_l)；

S104：计算第t-1帧中所跟踪目标x_l与第t帧中检测响应z_l之间的运动相似度S_motion，具体为：

S_motion＝G(T_pos-Z_pos，∑) (12)

其中，G(·)为均值为0的高斯函数，T_pos和Z_pos分别为x_l和z_l的位置。

3.根据权利要求1所述的方法，所述S200进一步包括：

S201：利用所述基于KCF的滤波器预测t-1帧中任意目标

在第t帧中的状态：

其中，

为利用所述基于KCF的滤波器所预测目标的位置信息，

和

分别为所预测目标边界框的宽度和高度，

为t-1帧中第j条轨迹的位置

的最大响应值，η为预定义阈值，CTH为候选目标假设集；

S202：当所预测目标的最大响应值大于预定义阈值η，则将其加入到预测目标集

中，反之，加入到CTH候选目标假设集中；

S203：假设第t帧中所有满足上式的预测目标为

则第t帧的检测响应为：

其中，M表示所预测目标的个数，

表示由目标检测器提供的检测响应，

表示检测响应状态

和目标预测状态基于IoU的冗余消除，其判断依据是

和

的IoU值是否大于预定义的阈值α；

S204：当和

的IoU值大于预定义阈值α时，其表示同一个目标，仅保留检测响应，反之，二者代表不同的目标检测响应，同时保留，最终得到第t帧经过KCF校正后的检测响应

4.根据权利要求3所述的方法，预定义阈值η＝0.7。

5.根据权利要求3所述的方法，预定义阈值α＝0.6。

6.根据权利要求1所述的方法，所述S300进一步包括：

所述轨迹置信度定义为：

式中的L_j为T^j的轨迹长度，C(T^j，z^l)为轨迹T^j和检测响应Zⁱ的关联相似度值，O_APCE为遮挡程度，分别表示轨迹T^j的起始帧和终止帧。

7.根据权利要求6所述的方法，当Conf(T^j)＞0.5时，其对应轨迹为高置信度轨迹，反之，为低置信度轨迹。

8.根据权利要求1所述的方法，所述S500进一步包括：

所述高置信度轨迹执行相邻帧间的数据关联具体为：

关联关系矩阵构造为：

式中，s_ij为轨迹

与检测响应zⁱ基于外观相似度S_app、形状相似度S_shape及运动相似度S_motion的关联相似度值，S为由S_ij构成的关联关系矩阵，假设第t帧中存在k个高置信度轨迹T_high，

中包含n个检测响应，候选目标假设集

中存在m个检测响应；

根据所构造的关联关系矩阵，由Hungarian算法求解高置信度轨迹与检测响应之间的关联匹配，然后依据关联结果更新轨迹的置信度值及轨迹的状态。

9.根据权利要求1所述的方法，所述S500进一步包括：

所述低置信度轨迹执行相邻帧间的数据关联具体为：

在将高置信度轨迹与检测响应关联后，假设

集中存在n′个未被关联的检测响应，候选目标假设集中存在m′个未被关联的检测响应和q′个未被关联的轨迹，k′个未被关联的高置信度轨迹T_high

表示第t帧中的候选检测响应

假设第t帧中存在l条低置信度的轨迹，h条未匹配的轨迹，h＝q′+k′，q个检测响应，q＝n′+m′；则低置信度轨迹数据关联过程中的关联矩阵为：

式中，A＝[a_ij]，

表示第i条低置信度轨迹

与第j条高置信度轨迹的

关联相似度值；B＝[b_ij]，

表示第i条低置信度轨迹与第j个检测响应c^j的关联相似度值；D＝diag[d₁，…，d_l]，

为第i条低置信度轨迹

终止的概率；τ为预定义阈值，X为低置信度轨迹关联过程中由A，B，D，τ构成的关联关系矩阵；

根据所构造的关联关系矩阵，由Hungarian算法求解低置信度轨迹的关联问题，然后依据关联结果更新轨迹的置信度值及轨迹的状态。

Images