[發明專利]多目標跟蹤方法、裝置、設備及存儲介質

有效

• 申請號: 201710521291.2
• 申請日: 2017-06-30
• 公開（公告）號: CN109214238B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 高涵;萬吉;夏添
• 申請（專利權）人: 阿波羅智能技術（北京）有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京鴻德海業知識產權代理有限公司 11412
• 代理人: 袁媛

本發明公開了多目標跟蹤方法、裝置、設備及存儲介質，其中方法包括：獲取待處理的當前圖像，將當前圖像輸入給預先訓練得到的卷積神經網絡模型，得到目標檢測結果；從預先選定的卷積層中分別抽取出檢測到的各目標的特征向量；分別計算當前圖像中各目標的特征向量與之前的圖像中各目標的特征向量之間的相似度，根據計算結果完成同一目標在不同圖像幀間的關聯，并分配跟蹤編號。應用本發明所述方案，能夠滿足實時處理的要求等。

【技術領域】

本發明涉及計算機應用技術，特別涉及多目標跟蹤方法、裝置、設備及存儲介質。

【背景技術】

視覺多目標跟蹤是視覺障礙物檢測的關鍵技術之一，主要功能是在連續圖像幀內，給同一個目標分配同一個編號，以估計每個目標的運動軌跡。

跟蹤算法通常采用Tracking by Detection的方式，即跟蹤過程強依賴于檢測結果，實現流程主要包括：進行目標檢測、進行幀間檢測結果的數據關聯以及為目標分配編號。

其中，數據關聯作為跟蹤過程中的一個重要環節，其性能將直接影響到跟蹤質量的好壞，數據關聯的速度將直接影響到跟蹤算法是否能夠成為實時在線算法。

數據關聯的操作通常包括：對目標檢測結果進行特征提取，利用提取出的特征計算不同目標之間的相似度，進而求解分配問題，即利用各個目標的相似度矩陣找到最優分配，從而完成目標的關聯。

常用的特征提取方式為：提取光流特征，如尺度不變特征變化(SIFT，ScaleInvariant Feature Transform)特征等，針對檢測到的每個目標，分別提取多個特征，組成特征向量，進而計算特征向量之間的余弦相似度。

采用上述方式，雖然會取得不錯的跟蹤效果，但是描述越好的特征，計算速度越慢，如SIFT特征具有很強的描述能力，但是提取SIFT特征的過程會非常耗時，從而無法滿足多目標跟蹤中實時處理的要求。

【發明內容】

有鑒于此，本發明提供了多目標跟蹤方法、裝置、設備及存儲介質，能夠滿足實時處理的要求。

具體技術方案如下：

一種多目標跟蹤方法，包括：

獲取待處理的當前圖像，將所述當前圖像輸入給預先訓練得到的卷積神經網絡模型，得到目標檢測結果；

從預先選定的卷積層中分別抽取出檢測到的各目標的特征向量；

分別計算當前圖像中各目標的特征向量與之前的圖像中各目標的特征向量之間的相似度，根據計算結果完成同一目標在不同圖像幀間的關聯，并分配跟蹤編號。

根據本發明一優選實施例，所述獲取待處理的當前圖像，將所述當前圖像輸入給預先訓練得到的卷積神經網絡模型，得到目標檢測結果之前，進一步包括：

獲取作為訓練數據的圖像，并分別獲取作為訓練數據的每幀圖像中的各目標的標注結果；

根據作為訓練數據的各圖像以及其中的各目標的標注結果，訓練得到所述卷積神經網絡模型。

根據本發明一優選實施例，所述從預先選定的卷積層中分別抽取出檢測到的各目標的特征向量包括：

針對檢測到的每個目標，分別進行以下處理：

找出所述目標在所述選定的卷積層中對應的區域；

通過roi pooling的方式將所述區域對應的卷積特征取出；

對取出的卷積特征進行歸一化，得到所述目標的特征向量。

根據本發明一優選實施例，所述分別計算當前圖像中各目標的特征向量與之前的圖像中各目標的特征向量之間的相似度包括：