[發明專利]一種多目標跟蹤算法、電子裝置及計算機可讀存儲介質

在審

• 申請號: 202010213267.4
• 申請日: 2020-03-24
• 公開（公告）號: CN111428642A
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 聶志巧;吳鴻偉;王海濱;張永光;林淑強;閻辰佳;李山
• 申請（專利權）人: 廈門市美亞柏科信息股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 何家富

本發明涉及計算機視覺研究領域。本發明公開了一種多目標跟蹤算法，包括以下步驟：S1，利用目標檢測算法檢測一個或多個目標的當前幀位置信息；S2，利用KCF跟蹤器預測該一個或多個目標的下一幀的預測位置信息；S3，通過IOU對預測位置信息進行過濾，然后將過濾后的預測位置信息傳入deepsort網絡進行跟蹤；S4，對于成功跟蹤到的目標，更新其對應的deepsort網絡，同時更新KCF跟蹤器，反之，則進行判斷。本發明的多目標跟蹤算法不僅可以有效地消除當前目標檢測算法存在漏檢的情形，同時提高了目標跟蹤算法的跟蹤效果。

技術領域

本發明涉及計算機視覺研究領域，并且更具體地涉及一種多目標跟蹤算法。

背景技術

目標跟蹤技術是計算機視覺研究領域的熱點之一。經過幾十年的發展，目標跟蹤取得了長足的發展。從粒子濾波和卡爾曼濾波等經典跟蹤方法，到基于檢測或相關濾波方法，到最近幾年來出現的深度學習相關方法。目標跟蹤的應用非常廣泛，如，無人機的自動目標跟蹤、人體目標跟蹤、交通監控系統中的目標跟蹤等。

現在主流的目標跟蹤算法主要是基于目標檢測的目標跟蹤算法。而由于目標檢測算法存在漏檢的情況下，因此目標跟蹤算法的實際應用效果相對于目標跟蹤競賽的效果而言有一段差距。目前最主流的目標檢測算法有Yolo、FasterRcnn、SSD等，都會出現漏檢的情況，這就可能造成同一個跟蹤目標被當成兩個目標進行跟蹤。

KCF全稱為Kernel Correlation Filter核相關濾波算法。在2014年由JoaoF.Henriques,Rui Caseiro,Pedro Martins,and Jorge Batista提出來的，算法出來之后也曾經轟動一時，這個算法不論是在跟蹤效果還是跟蹤速度上都有十分亮眼的表現，所以引起了一大批的學者對這個算法進行研究以及工業界也在陸續把這個算法應用在實際場景當中。相關濾波算法算是判別式跟蹤，主要是使用給出的樣本去訓練一個判別分類器，判斷跟蹤到的是目標還是周圍的背景信息。主要使用輪轉矩陣對樣本進行采集，使用快速傅里葉變化對算法進行加速計算。

發明內容

本發明針對現有技術存在的漏檢情況，所提出的解決技術方案是：提供一種結合deepsort和KCF的多目標跟蹤算法。具體如下：

一種多目標跟蹤算法，應用于電子裝置，包括以下步驟：

S1，利用目標檢測算法檢測一個或多個目標的當前幀位置信息；

S2，利用KCF跟蹤器預測該一個或多個目標的下一幀的預測位置信息；

S3，通過IOU(交并比)對預測位置信息進行過濾，然后將過濾后的預測位置信息傳入deepsort網絡進行跟蹤；

S4，對于成功跟蹤到的目標，更新其對應的deepsort網絡，同時更新KCF跟蹤器，反之，則進行判斷。

優選地，其中步驟S4進一步包括：對未跟蹤成功的目標候選項進行判斷，如果該目標候選項為檢測到的一個或多個目標的當前幀位置信息，則對該目標候選項位置初始化新的卡爾曼跟蹤濾波器和新的KCF跟蹤器，反之則不做處理。

優選地，該算法進一步包括：

S5，對未跟蹤到的卡爾曼跟蹤濾波器，判斷其目標丟失并設置連續丟失幀數閾值。

優選地，在目標丟失幀數大于閾值的情況下，則判定該目標消失，同時刪除該deepsort跟蹤網絡對應的卡爾曼跟蹤濾波器和KCF跟蹤器。

本發明還提供了一種電子裝置，包括：存儲器、處理器以及存儲在所述存儲器中并能夠在所述處理器上運行如上所述的多目標跟蹤算法的計算機程序。

本發明還提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行如上所述的多目標跟蹤算法中的步驟。