Urban tracker 目标跟踪算法

目标跟踪

• Urban Tracker 参考文献: Urban Tracker: Multiple object tracking in urban mixed traffic
• Intelligent Transportation 参考文献: A feature-based tracking algorithm for vehicles in intersections

代码&数据

• Urban Tracker http://www.jpjodoin.com/urbantracker/tools.html
• Intelligent Transportation https://bitbucket.org/Nicolas/trafficintelligence/wiki/Home

Urban Tracker 算法

• 算法效果
  
• 算法流程
  

粒子团抽取（blob extraction）

1. 背景抽取(background subtraction)：在论文中，作者使用的是ViBe算法，但由于ViBe算法申请了专利，因此，建议参考ChangeDetection上的其它算法进行背景抽取。
2. 预处理：高斯5x5噪声过滤，并对分割得到的前景Mask进行形态学填充，blob面积小于$T_m$则被当成噪声过滤。
3. 前景检测算法：由于在红绿灯处车辆等会突然停止或者启动，因此作者修改了ViBe算法从而处理这种间歇性运动。即对相邻的两帧，统计blob内部灰度变化大于4的点，设其数目为$NP_c$，如果$NP_c / area(blob) <0.1$，则将blob视为背景并进行更新，从而消除’Ghost blob’(http://blog.csdn.net/stellar0/article/details/8777283)。
4. 连通块分析：对得到前景进行连通块分析，得到多个blob的大小和位置
5. 特征点：作者使用FREAK描述子计算特征点(http://blog.csdn.net/yang_xian521/article/details/7732835)
   

6. blob模型(blob model)：它由blob大小，位置和特征点组成，而跟踪模型(track model)由一系列blob模型组成。

   粒子团跟踪 (blob tracking)

7. 粒子团跟踪事件：粒子团进入场景，粒子团离开场景，粒子团跟踪丢失，多个粒子团混合，粒子团由一个分成多个小粒子团。

8. 粒子团匹配：计算相邻两帧中两个粒子团$B_{t-1} , B_t$之间的特征点的海明距离，再进行比例测试和对称性测试。
9. 比例测试：得到特征点最优匹配距离和次优匹配距离,检测其比例，如果比例接近1，则放弃这个匹配。（考虑区分性，匹配独一无二才好）。
10. 对称性测试：如果特征点的匹配是对称的，即A的匹配为B，B的匹配也为A。则认为A与B是好匹配，否则放弃这个匹配。
11. 特征点数目要求：当两个粒子团中有多个特征点（多于4）时，则认为粒子团匹配成功。
12. 重叠检测：当粒子团重叠时，可以得到重叠的关系。
13. 粒子团关系：
    
    1. 1->1 粒子团唯一地匹配。（当前帧中的粒子团与上一帧中的粒子团唯一地匹配）
    2. 1->N 粒子团匹配多个粒子团
    3. N->1 多个粒子团重叠
    4. 0->1 没有得到匹配的粒子团（当前帧中的粒子团，没有得到匹配）
    5. 1->0 丢失的粒子团（上一帧的粒子团，在当前帧中没有出现）

目标跟踪 (object tracking)

1. 跟踪状态：
   
2. 跟踪模型更新：
   
   1. 1->1 保持正常状态。
   2. 1->0 当粒子团丢失状态持续$N_r$次时，状态将被删除。
   3. 0->1 如果blob模型与丢失的状态相似（有4个特征点匹配），那么丢失状态将更新的正常状态。否则，新建一个假设状态，如果在接下来3帧中没有检测到该目标，则直接删除. 反之，如果连接3帧检测到该目标，则置为正常状态。
   4. N->1 如果多个粒子团相互交叉，则新建一个状态群，并对状态群中的每一个目标状态单独进行更新。
   5. 1-N 解散状态群。
   6. 边界问题：如果一个跟踪到达场景的边界，则更新为离开状态。如果下一帧没有跟踪到，则删除。如果一个退出的跟踪改变方向进入场景，需要3个特征匹配从而确认这是相同的跟踪。如果相同，则更新为正常状态，否则，删除并新建。
      边界同一目标检测
      
      过分割与状态群创建
      
      欠分割与状态群解散