基于數(shù)據(jù)關(guān)聯(lián)融合KCF與Kalman濾波的車輛多目標(biāo)跟蹤

宋俊芳, 王菽裕， 薛 茹， 李 瑩

(1.西藏民族大學(xué)信息工程學(xué)院， 咸陽(yáng) 712082； 2.長(zhǎng)安大學(xué)信息工程學(xué)院， 西安 710064)

基于視頻的運(yùn)動(dòng)目標(biāo)跟蹤主要任務(wù)是在圖像序列中找到運(yùn)動(dòng)目標(biāo)，并將不同幀中的同一目標(biāo)關(guān)聯(lián)起來(lái)，形成目標(biāo)的運(yùn)動(dòng)軌跡，這一技術(shù)已經(jīng)成為計(jì)算機(jī)視覺(jué)與人工智能領(lǐng)域中熱門的研究課題之一。最初，學(xué)者主要從單目標(biāo)如何設(shè)計(jì)外觀模型和運(yùn)動(dòng)模式進(jìn)行有效跟蹤開(kāi)展研究，如經(jīng)典的Mean shift算法[1]、粒子濾波跟蹤算法[2]、卡爾曼濾波跟蹤算法[3]、TLD算法[4]、MOSSE算法[5]、KCF算法[6]、Staple算法[7]以及基于深度學(xué)習(xí)的C-COT算法[8]和ECO算法[9]等。后來(lái)考慮到目標(biāo)在一定場(chǎng)景中，其運(yùn)動(dòng)相互之間存在關(guān)聯(lián)性，Luo等[10]首次提出多目標(biāo)跟蹤的概念，但早期，跟蹤還是以單目標(biāo)檢測(cè)的結(jié)果為基礎(chǔ)，然后通過(guò)手動(dòng)匹配關(guān)聯(lián)目標(biāo)的運(yùn)動(dòng)軌跡，這在實(shí)際應(yīng)用中無(wú)法實(shí)現(xiàn)智能。隨著高精度的目標(biāo)檢測(cè)已完善并普及應(yīng)用，為智能數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)奠定了扎實(shí)的基礎(chǔ)，吸引大量學(xué)者紛紛展開(kāi)研究，并認(rèn)為通過(guò)對(duì)不確定性觀測(cè)與已形成的目標(biāo)軌跡簇的關(guān)聯(lián)配對(duì)，來(lái)確定出極大相似關(guān)聯(lián)度的目標(biāo)-軌跡鏈的過(guò)程稱之為數(shù)據(jù)關(guān)聯(lián)。這一概念在1964年由Sittlter等[11]提出。隨后，產(chǎn)生出很多基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)智能跟蹤算法，大多是基于貝葉斯概率模型的，如最近鄰域標(biāo)準(zhǔn)濾波器[12](NNSF)、概率數(shù)據(jù)關(guān)聯(lián)濾波[13](PDA)、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波[14](JPDA)和多假設(shè)跟蹤[15](MHT)。NNSF和PDA算法復(fù)雜度低、計(jì)算快，可以很好地滿足工程應(yīng)用需求，但對(duì)強(qiáng)雜波環(huán)境下的復(fù)雜目標(biāo)跟蹤，容易發(fā)生目標(biāo)的偏移和聚合現(xiàn)象，而JPDA和MHT對(duì)此卻展現(xiàn)出良好的性能，但其運(yùn)算量巨大難以在工程中應(yīng)用，在隨后的幾十年間,學(xué)者們致力于探究算法實(shí)用性和優(yōu)良性能的良好均衡。直到2008年，Huang等[16]提出了經(jīng)典的多層跟蹤理論框架，片段軌跡由底層完成，片段軌跡之間的關(guān)聯(lián)度量及全局最優(yōu)評(píng)價(jià)由中層完成，完整軌跡的形成由高層完成。該框架一直被使用到2015年，伴隨著機(jī)器學(xué)習(xí)的熱潮，同時(shí)，Xiang等[17]提出基于馬爾科夫決策的多目標(biāo)跟蹤算法，通過(guò)機(jī)器學(xué)習(xí)來(lái)強(qiáng)化訓(xùn)練多目標(biāo)匹配模型的參數(shù)，采用構(gòu)建出的激勵(lì)函數(shù)來(lái)達(dá)到多目標(biāo)狀態(tài)跟蹤分析的目的。隨著神經(jīng)網(wǎng)絡(luò)的研究成熟，將深度學(xué)習(xí)用于多目標(biāo)跟蹤，從技術(shù)上優(yōu)化了跟蹤評(píng)價(jià)和目標(biāo)間相似性度量算法，并獲得較好的跟蹤效果，然而，基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法距工程應(yīng)用還有一定的差距。為此，針對(duì)復(fù)雜交通場(chǎng)景下的車輛多目標(biāo)跟蹤，在單目標(biāo)跟蹤算法的基礎(chǔ)上有效融合數(shù)據(jù)關(guān)聯(lián)算法快速獲取可靠的軌跡數(shù)據(jù)。

1 多目標(biāo)關(guān)聯(lián)跟蹤實(shí)現(xiàn)

基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤其核心就是解決目標(biāo)與軌跡間的關(guān)聯(lián)匹配，但這一問(wèn)題在復(fù)雜交通場(chǎng)景下的車輛目標(biāo)之間，因?yàn)槠漭^高的相似性和交互性使得難度驟增，一方面要保證匹配精度，另一方面還要考慮實(shí)時(shí)性。以往絕大部分方法都是先在感興趣區(qū)域完成多幀的目標(biāo)檢測(cè)，然后將當(dāng)前幀的目標(biāo)測(cè)結(jié)果作為關(guān)聯(lián)匹配的觀測(cè)量，通過(guò)設(shè)計(jì)最優(yōu)匹配算法判斷出前后幀與各觀測(cè)量的關(guān)聯(lián)度，最后再整體繪出目標(biāo)軌跡，這樣的處理方法軌跡形成要利用后續(xù)的檢測(cè)結(jié)果，導(dǎo)致基于軌跡的行為分析相比目標(biāo)檢測(cè)要滯后，無(wú)法保證實(shí)時(shí)性，如果能夠以在線跟蹤的方式邊檢測(cè)目標(biāo)邊在當(dāng)前幀實(shí)時(shí)更新?tīng)顟B(tài)軌跡，將對(duì)交通智能分析大有好處。

利用YOLOv3檢測(cè)器獲取輸入視頻序列的檢測(cè)結(jié)果，從第二幀的檢測(cè)結(jié)果開(kāi)始，用IoU相似性度量對(duì)當(dāng)前目標(biāo)框與已形成的軌跡進(jìn)行關(guān)聯(lián)匹配，得到目標(biāo)與軌跡的關(guān)聯(lián)矩陣；然后通過(guò)改進(jìn)的關(guān)聯(lián)判定準(zhǔn)則尋找關(guān)聯(lián)矩陣中的最佳關(guān)聯(lián)對(duì)，完成初步軌跡匹配；考慮目標(biāo)檢測(cè)可能存在漏檢和遮擋的情況，將KCF與Kalman相結(jié)合改進(jìn)目標(biāo)跟蹤方法，實(shí)現(xiàn)目標(biāo)軌跡的持續(xù)跟蹤。整個(gè)跟蹤算法的流程如圖1所示。下面從目標(biāo)與軌跡的數(shù)據(jù)關(guān)聯(lián)以及不同關(guān)聯(lián)結(jié)果的目標(biāo)-軌跡處理兩方面進(jìn)行研究。

2 數(shù)據(jù)關(guān)聯(lián)

在零漏檢和零誤檢的相對(duì)理想狀態(tài)下，目標(biāo)的軌跡鏈通常由跟蹤過(guò)程中每幀的目標(biāo)檢測(cè)標(biāo)識(shí)框直接相連而得。真實(shí)而復(fù)雜的交通環(huán)境下，受到噪聲的干擾，無(wú)法做到車輛零漏檢零誤檢，這樣就會(huì)導(dǎo)致目標(biāo)相連容易出現(xiàn)斷層，跟蹤無(wú)法持續(xù)。那么如何設(shè)計(jì)一個(gè)穩(wěn)定的數(shù)據(jù)關(guān)聯(lián)算法實(shí)現(xiàn)目標(biāo)的持續(xù)跟蹤成為多目標(biāo)跟蹤的關(guān)鍵之一。數(shù)據(jù)關(guān)聯(lián)的過(guò)程主要包括關(guān)聯(lián)數(shù)據(jù)選取、關(guān)聯(lián)相似度度量和尋找最優(yōu)關(guān)聯(lián)對(duì)3個(gè)模塊。下面分別從這幾個(gè)方面展開(kāi)研究。

2.1 目標(biāo)-軌跡 IoU相似性度量

(1)

總之，寒地水稻的品種的特性以及粒穗受力角度和水稻穗頭的含水率等因素都直接關(guān)系到收割機(jī)脫粒損失的大小以及脫粒帶柄率與損傷率的高低，影響收割機(jī)性能的正常發(fā)揮。該研究可為及時(shí)確定最佳的收割時(shí)間和為設(shè)計(jì)新的脫粒滾筒奠定了基礎(chǔ)。

按照此方法，結(jié)合式(1)計(jì)算最終可得到m個(gè)候選目標(biāo)與n條跟蹤軌跡基于IoU雙向的相似性度量結(jié)果，用矩陣Amn表示為

Amn=

(2)

式(2)中：Dij=1-IoU(i,j)由目標(biāo)特征信息、位置信息和狀態(tài)信息等組成，行i表示當(dāng)前幀中候選目標(biāo)與所有軌跡在最后一幀目標(biāo)框的相似性度量，列j表示已形成蹤軌跡最后一幀目標(biāo)框與當(dāng)前幀中所有候選目標(biāo)的相似性度量，稱矩陣Amn為多目標(biāo)關(guān)聯(lián)矩陣，此矩陣首次提出雙向表示目標(biāo)與軌跡之間的關(guān)聯(lián)度，為確定最佳關(guān)聯(lián)規(guī)則奠定了基礎(chǔ)。

2.2 行列最優(yōu)耦合尋找最佳關(guān)聯(lián)對(duì)

數(shù)據(jù)關(guān)聯(lián)的最后一步是基于關(guān)聯(lián)矩陣，設(shè)置關(guān)聯(lián)判定準(zhǔn)則搜索最佳關(guān)聯(lián)對(duì)。鑒于提出的雙向相似性度量方法，首先輸入相似性度量值集，設(shè)置經(jīng)驗(yàn)閾值k(取0.5)初步篩選出候選關(guān)聯(lián)對(duì)，然后用行列最優(yōu)準(zhǔn)則選取最佳關(guān)聯(lián)對(duì)，即每一行搜索到的最優(yōu)度量對(duì)應(yīng)的列其最優(yōu)度量恰好也對(duì)應(yīng)此行。這種方法不是單一考慮它們的度量應(yīng)該完全一致，而是充分考慮到關(guān)聯(lián)匹配的誤差，在尋找最佳關(guān)聯(lián)對(duì)時(shí)，只要目標(biāo)與軌跡相互數(shù)據(jù)關(guān)聯(lián)達(dá)到最優(yōu)即可，這樣不僅計(jì)算速度快，還不用計(jì)算復(fù)雜的匹配誤差，結(jié)果也非常準(zhǔn)確?；诖岁P(guān)聯(lián)判定準(zhǔn)則，最終會(huì)出現(xiàn)圖2所示的三種關(guān)聯(lián)結(jié)果。第一種情況被認(rèn)定為當(dāng)前幀有新目標(biāo)出現(xiàn)，將作為下一幀的關(guān)聯(lián)數(shù)據(jù)；第二種情況被認(rèn)定為目標(biāo)與軌跡配對(duì)成功；第三種情況是在當(dāng)前幀中目標(biāo)消失，可能是漏檢，也可能是目標(biāo)離開(kāi)檢測(cè)場(chǎng)景。

圖2 關(guān)聯(lián)判定結(jié)果Fig.2 Data association judgment results

3 軌跡處理

針對(duì)圖2的關(guān)聯(lián)判定結(jié)果，目標(biāo)-軌跡處理又分為如下四種情況。

(1)新目標(biāo)出現(xiàn)，不能直接認(rèn)定為有效的車輛目標(biāo)，因?yàn)樵趶?fù)雜交通場(chǎng)景里，目標(biāo)檢測(cè)算法精度再高也無(wú)法保證不出現(xiàn)車輛誤檢，可以在目標(biāo)首次出現(xiàn)時(shí)啟動(dòng)一個(gè)計(jì)數(shù)器，當(dāng)該目標(biāo)連續(xù)三幀都被檢測(cè)到時(shí)才開(kāi)始跟蹤，否則認(rèn)為是無(wú)效目標(biāo)，直接刪除。

(2)軌跡與目標(biāo)配對(duì)成功，則持續(xù)跟蹤。

(3)目標(biāo)丟失，若目標(biāo)連續(xù)th幀再無(wú)出現(xiàn)，認(rèn)為目標(biāo)離開(kāi)了當(dāng)前場(chǎng)景，目標(biāo)軌跡不再進(jìn)行預(yù)測(cè)更新；若目標(biāo)連續(xù)丟失幀小于th，認(rèn)為是檢測(cè)算法不魯棒造成了目標(biāo)漏檢，需要進(jìn)行位置預(yù)測(cè)。

(4)目標(biāo)離開(kāi)遮擋，目標(biāo)重新被檢測(cè)到，再次對(duì)目標(biāo)與軌跡進(jìn)行關(guān)聯(lián)配對(duì)。

3.1 基于KCF最大響應(yīng)預(yù)測(cè)位置

KCF核相關(guān)濾波跟蹤算法[6]在目標(biāo)尺度不變的情況下跟蹤精度高，而且預(yù)測(cè)速度快，以至于許多跟蹤算法都以KCF為基石完成構(gòu)建。

基于方向梯度直方圖(HOG)特征提取對(duì)跟蹤目標(biāo)建立跟蹤器是KCF的原理，其方法是在當(dāng)前幀檢測(cè)區(qū)域內(nèi)，通過(guò)跟蹤器模板循環(huán)采集，進(jìn)而優(yōu)化處理得到每一個(gè)采樣區(qū)域?qū)?yīng)的響應(yīng)，將響應(yīng)最大的采樣區(qū)域作為目標(biāo)在當(dāng)前幀的預(yù)測(cè)位置。但是通過(guò)研究測(cè)試發(fā)現(xiàn)， KCF在進(jìn)行遮擋漏檢目標(biāo)位置預(yù)測(cè)時(shí)，由于遮擋是一個(gè)從信息不完整到信息丟失再到信息逐漸恢復(fù)的過(guò)程，跟蹤模板持續(xù)更新會(huì)將錯(cuò)誤信息引入跟蹤器，導(dǎo)致跟蹤失敗。

為解決此問(wèn)題，用KCF算法沒(méi)有直接先進(jìn)行位置預(yù)測(cè)，而是用它先判定目標(biāo)是被遮擋還是異常丟失。由于遮擋和非遮擋狀態(tài)下車輛正常行駛，用KCF計(jì)算得到的最大響應(yīng)變化曲線顯著不同。如圖4所示，是對(duì)圖3連續(xù)多幀計(jì)算得到的最大響應(yīng)變化曲線。從圖4看出，正常無(wú)遮擋情況下，最大響應(yīng)值較高，都大于0.7；反之，大部分響應(yīng)均小于0.5，兩者分界較為明顯。究其原因，遮擋發(fā)生時(shí)，跟蹤模板不能一成不變，需要將改變的目標(biāo)特征實(shí)時(shí)更新到新模板中，導(dǎo)致最大響應(yīng)值較正常情況明顯降低。為此，通過(guò)最大響應(yīng)值閾值約束，即可快速判斷出目標(biāo)是否被遮擋。如果沒(méi)有被遮擋是異常丟失，則直接用KCF預(yù)測(cè)目標(biāo)位置是準(zhǔn)確的；如果是被遮擋，則KCF停止模板更新，改用Kalman濾波預(yù)測(cè)目標(biāo)位置，這樣可以避免由于跟蹤模板持續(xù)更新造成的錯(cuò)誤匹配。

圖3 不同情形下車輛連續(xù)行駛態(tài)勢(shì)Fig.3 Unobstructed and covered vehicle moving process

基于KCF預(yù)測(cè)目標(biāo)位置流程如圖5所示。初始化KCF跟蹤器的過(guò)程即依據(jù)已形成的目標(biāo)軌跡，在最后一幀目標(biāo)出現(xiàn)位置的附近選擇2.5倍區(qū)域循環(huán)采樣，提取其HOG特征構(gòu)建目標(biāo)跟蹤器模板；然后在當(dāng)前幀的候選區(qū)域內(nèi)，利用KCF跟蹤器計(jì)算出每個(gè)采樣樣本的響應(yīng)，并將響應(yīng)最大的位置標(biāo)注為目標(biāo)預(yù)測(cè)位置，同時(shí)更新跟蹤器模板，作為下一幀的關(guān)聯(lián)數(shù)據(jù)。

圖5 KCF預(yù)測(cè)目標(biāo)位置流程Fig.5 Process of predicting target position combined KCF

3.2 基于Kalman濾波預(yù)測(cè)位置

在復(fù)雜交通場(chǎng)景下，車輛在短時(shí)間內(nèi)的運(yùn)動(dòng)可以看作是勻速直線運(yùn)動(dòng)，而Kalman濾波本身是一個(gè)線性濾波器，其預(yù)測(cè)修正過(guò)程計(jì)算量較小，比較適用于實(shí)時(shí)處理。因此，可以在KCF完成遮擋檢測(cè)后，用Kalman濾波對(duì)遮擋目標(biāo)進(jìn)行位置預(yù)測(cè)，不至于明顯降低運(yùn)算速度。

(3)

基于當(dāng)前狀態(tài)的預(yù)測(cè)結(jié)果，只要再收集現(xiàn)在狀態(tài)的測(cè)量值Zk。通過(guò)對(duì)測(cè)量值和預(yù)測(cè)結(jié)果的加權(quán)平均處理，即可得到現(xiàn)在狀態(tài)的優(yōu)化估算值xk：

(4)

式(4)中：Kk為卡爾曼增益，其計(jì)算過(guò)程為

(5)

式(5)中：H表示測(cè)量系統(tǒng)的參數(shù)。以此迭代，并更新協(xié)方差Pk完成目標(biāo)位置的連續(xù)跟蹤。

4 實(shí)驗(yàn)與分析

針對(duì)高速公路交通場(chǎng)景下的車輛目標(biāo)，在YOLOv3檢測(cè)器獲得檢測(cè)結(jié)果之后，加載本文算法和經(jīng)典方法線上全天候跟蹤實(shí)驗(yàn)，取得如下實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)在杭金衢高速公路路段交通場(chǎng)景下完成，實(shí)驗(yàn)過(guò)程中設(shè)置最大響應(yīng)閾值為0.5，th=40。

4.1 正常數(shù)據(jù)關(guān)聯(lián)跟蹤結(jié)果

經(jīng)數(shù)據(jù)關(guān)聯(lián)行列最優(yōu)匹配得到圖6所示的關(guān)聯(lián)度量結(jié)果，圖6(a)是第188幀的目標(biāo)檢測(cè)及配對(duì)結(jié)果，圖6(b)是第189幀的目標(biāo)檢測(cè)結(jié)及配對(duì)結(jié)果，兩幀目標(biāo)軌跡關(guān)聯(lián)配對(duì)得到圖6(c)所示關(guān)聯(lián)矩陣，在矩陣中都找到了行列最優(yōu)度量，即5個(gè)目標(biāo)都與前一幀軌跡配對(duì)成功。

圖6 正常數(shù)據(jù)關(guān)聯(lián)結(jié)果Fig.6 Normal data association results

4.2 KCF目標(biāo)位置預(yù)測(cè)結(jié)果

圖7是實(shí)際測(cè)試實(shí)驗(yàn)中目標(biāo)非遮擋情況下漏檢，啟用KCF算法預(yù)測(cè)丟失車輛在當(dāng)前幀中位置的代表性結(jié)果。

在第2 182幀，用目標(biāo)檢測(cè)算法檢測(cè)到6個(gè)目標(biāo)，且目標(biāo)-軌跡關(guān)聯(lián)配對(duì)正常，共形成6條有效軌跡，但在第2 183幀，ID標(biāo)識(shí)號(hào)為59的車輛沒(méi)有被檢測(cè)到，導(dǎo)致目標(biāo)-軌跡數(shù)據(jù)關(guān)聯(lián)失敗，出現(xiàn)第6條軌跡未匹配到檢測(cè)目標(biāo)的關(guān)聯(lián)判定結(jié)果，經(jīng)KCF算法在候選區(qū)域循環(huán)采樣計(jì)算最大響應(yīng)為0.78，判定出目標(biāo)是異常丟失，啟動(dòng)KCF進(jìn)行位置預(yù)測(cè)，結(jié)果用黃色框標(biāo)注顯示，人眼直觀分析預(yù)測(cè)位置較為準(zhǔn)確。

圖7 漏檢情況下的軌跡處理結(jié)果Fig.7 Trajectory processing results under the condition of target loss

4.3 Kalman濾波目標(biāo)位置預(yù)測(cè)結(jié)果

圖8、圖9是實(shí)際測(cè)試實(shí)驗(yàn)中目標(biāo)遮擋情況下漏檢，啟用Kalman濾波算法預(yù)測(cè)車輛在當(dāng)前幀中位置的代表性結(jié)果，包括目標(biāo)相互遮擋和障礙物引起的遮擋兩種特殊狀況。

在圖8遠(yuǎn)端場(chǎng)景中，右側(cè)左車道的小車從2 166幀開(kāi)始到2 205幀，一直被中間車道的大車遮擋，目標(biāo)檢測(cè)算法未能成功檢測(cè)到小目標(biāo)車輛，導(dǎo)致其軌跡在與目標(biāo)關(guān)聯(lián)失敗。經(jīng)KCF算法在每幀候選區(qū)域循環(huán)采樣計(jì)算最大響應(yīng)都小于0.5，判定出目標(biāo)持續(xù)被遮擋，停止KCF算法更新模板，啟動(dòng)Kalman濾波進(jìn)行位置預(yù)測(cè)。從2 171、2 188、2 205幀中預(yù)測(cè)標(biāo)注的結(jié)果和形成的軌跡看出，卡爾曼濾波跟蹤在目標(biāo)間相互遮擋較為嚴(yán)重的情況下，依然準(zhǔn)確地預(yù)測(cè)出目標(biāo)的位置。

圖8 目標(biāo)間嚴(yán)重遮擋情況下的軌跡處理結(jié)果Fig.8 Trajectory processing results under the condition of target occlusion

在圖9場(chǎng)景中右側(cè)左車道的車輛在圖9(a)中關(guān)聯(lián)配對(duì)成功，在圖9(b)中，目標(biāo)軌跡正常關(guān)聯(lián)配對(duì)失敗，自感應(yīng)KCF跟蹤器啟動(dòng)，判定此時(shí)車輛被路牌開(kāi)始遮擋，確定采用卡爾曼濾波完成接下來(lái)的位置預(yù)測(cè)和配對(duì)，直到圖9(c)，車輛徹底被路牌淹沒(méi)，期間卡爾曼濾波跟蹤器都較好地完成了車輛的位置預(yù)判一直到圖9(d)，車輛再次被成功捕捉，恢復(fù)到正常的目標(biāo)跟蹤狀態(tài)。

4.4 方法對(duì)比

為定量分析本文方法的性能，從MOTA、MOTP、MT、ML、IDS和檢測(cè)速度幾個(gè)技術(shù)指標(biāo)與傳統(tǒng)方法進(jìn)行對(duì)比試驗(yàn)和分析。MOTA表示目標(biāo)定位準(zhǔn)確性，與目標(biāo)漏檢率和虛警率相關(guān)，值越大，越利于跟蹤；MOTP表示目標(biāo)框的平均重疊率，值越大，跟蹤效果越好；IDS表示軌跡與目標(biāo)切換的次數(shù)，值越小，穩(wěn)定性越好；MT表示目標(biāo)與軌跡配對(duì)成功占比，一般認(rèn)為值大于80%算法較為穩(wěn)定；ML表示目標(biāo)跟丟的軌跡占比，此值一般要求小于20%。

從表1得知，本文方法在目標(biāo)定位準(zhǔn)確性相同的情況下，由于改進(jìn)了應(yīng)對(duì)遮擋漏檢等特殊情況下的新舉措，聯(lián)合KCF算法和卡爾曼濾波對(duì)漏檢和嚴(yán)重遮擋引起的軌跡關(guān)聯(lián)失敗進(jìn)行有效預(yù)測(cè)，結(jié)果在MT、ML和IDS指標(biāo)上明顯優(yōu)于JPDA、MHT、MDP經(jīng)典方法，不僅如此，在檢測(cè)時(shí)間上也有很大的優(yōu)勢(shì)，能更好地滿足實(shí)時(shí)性要求。

表1 方法對(duì)比結(jié)果

5 結(jié)論

在目標(biāo)檢測(cè)結(jié)果的基礎(chǔ)上，針對(duì)復(fù)雜交通場(chǎng)景下的車輛多目標(biāo)跟蹤，提出基于數(shù)據(jù)關(guān)聯(lián)融合KCF與Kalman濾波的車輛多目標(biāo)跟蹤方法。完成了基于IoU相似性度量和行列最優(yōu)耦合原則關(guān)聯(lián)評(píng)價(jià)目標(biāo)-軌跡配對(duì)的過(guò)程，并針對(duì)關(guān)聯(lián)異常，通過(guò)最大響應(yīng)值遮擋檢測(cè)聯(lián)合卡爾曼濾波分層遞進(jìn)處理，實(shí)現(xiàn)了目標(biāo)軌跡的準(zhǔn)確持續(xù)跟蹤。實(shí)驗(yàn)結(jié)果表明，本文所提跟蹤方法對(duì)誤檢、漏檢及嚴(yán)重遮擋問(wèn)題均可以準(zhǔn)確有效解決，并且在高速公路環(huán)境下可以準(zhǔn)確實(shí)現(xiàn)對(duì)目標(biāo)軌跡的定位，因此該算法能給予城市智能交通可靠的數(shù)據(jù)保障。