[發明專利]多目標跟蹤方法、裝置、設備及計算機可讀存儲介質

有效

• 申請號: 201811572486.0
• 申請日: 2018-12-21
• 公開（公告）號: CN109658442B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 黃國恒;張揮謙;黃斯彤;胡可
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/73
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明實施例公開了一種多目標跟蹤方法、裝置、設備及計算機可讀存儲介質。其中，方法包括預先基于FCN算法、對多張預先標注車型信息和車輛位置的樣本圖像訓練得到目標分割模型，用于從輸入圖像中分割得到車輛并計算各車輛的位置坐標。將待跟蹤車輛圖像輸入目標分割模型中，得到該圖像中各目標車輛的位置坐標信息；依次計算每個目標車輛與前一幀車輛圖像中各源車輛的位置坐標的差值，并從各差值中確定最小差值；若目標車輛的最小差值不大于預設閾值，則目標車輛為最小差值對應源車輛在待跟蹤車輛圖像中的跟蹤目標；反之，將目標車輛作為新出現的源車輛。本申請實現了視頻序列中對多目標車輛的快速、準確跟蹤，提升了多目標跟蹤的實時性。

技術領域

本發明實施例涉及計算機視覺技術領域，特別是涉及一種多目標跟蹤方法、裝置、設備及計算機可讀存儲介質。

背景技術

近幾十年，隨著計算機視覺技術突飛猛進，計算速度的大幅提升，雷達、紅外線和視頻等領域的目標跟蹤技術已突破了大部分限制并得到了不斷的發展和完善。視頻跟蹤問題一般可以分為單目標跟蹤問題和多目標跟蹤問題。多目標跟蹤因其在實際應用中的需求越來越多，也得到了相應的發展，與單目標跟蹤問題相比多目標跟蹤問題面臨的情況更復雜包括目標之間的遮擋、合并和分離等情形。

多目標跟蹤技術為一種對給定一個圖像序列，找到圖像序列中運動的目標物體，并將不同幀中的運動目標物體一一對應，然后給出不同目標物體的運動軌跡的技術。運動的目標物體可以是任意的，如行人、車輛、運動員、各種動物等等。

卷積神經網絡為一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對于大型圖像處理有出色表現。它包括卷積層(conv-layer)和池化層(pooling?layer)。卷積神經網絡是近年發展起來，并引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡(Convolutional?Neural?Networks-簡稱CNN)。現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。

一般地，CNN的基本結構包括兩層，其一為特征提取層，每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關系也隨之確定下來；其二是特征映射層，網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。此外，由于一個映射面上的神經元共享權值，因而減少了網絡自由參數的個數。卷積神經網絡中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結構減小了特征分辨率。

目前的多目標跟蹤技術，目標檢測跟蹤耗時較長，實時性較差，不適用于實時性要求高的應用場景。

發明內容

本公開實施例提供了一種多目標跟蹤方法、裝置、設備及計算機可讀存儲介質，提高了多目標跟蹤效率，實時性好。

為解決上述技術問題，本發明實施例提供以下技術方案：

本發明實施例一方面提供了一種多目標跟蹤方法，包括：

將待跟蹤車輛圖像輸入預先構建的目標分割模型中，得到所述待跟蹤車輛圖像中各目標車輛的位置坐標信息；

依次計算每個目標車輛與前一幀車輛圖像中各源車輛的位置坐標的差值，并從各差值中確定最小差值；

判斷每個目標車輛的最小差值是否不大于預設閾值；

若是，則目標車輛為所述最小差值對應源車輛在所述待跟蹤車輛圖像中的跟蹤目標；

若否，則目標車輛作為在所述待跟蹤車輛圖像新出現的源車輛；