[發明專利]具有持續自主學習能力的行人跟蹤方法及系統

有效

• 申請號: 202010499397.9
• 申請日: 2020-06-04
• 公開（公告）號: CN111738103B
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 楊陽;高鑫;徐鵬;劉云霞;郭曼;李玉軍
• 申請（專利權）人: 山東大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V40/10;G06V10/778;G06T7/20
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本發明公開了具有持續自主學習能力的行人跟蹤方法及系統，包括：獲取在線監控視頻，識別在線監控視頻中行人所屬類別；利用訓練好的深度學習模型，對在線監控視頻的第一幀的當前類別的行人進行標注；利用行人所屬類別對應的追蹤器，對在線監控視頻中除第一幀以外的剩余幀進行當前類別行人的追蹤。

技術領域

本公開涉及人工智能技術領域，特別是涉及具有持續自主學習能力的行人跟蹤方法及系統。

背景技術

本部分的陳述僅僅是提到了與本公開相關的背景技術，并不必然構成現有技術。

精度和速度是目標跟蹤中兩個重要的指標，如何兼顧跟蹤結果的魯棒性和實時性是最具挑戰性的問題之一。深度學習的方法使得跟蹤性能獲得很大提升，但是嚴重依賴人工標注的數據質量和規模，人工進行數據標注成本比較昂貴、更消耗時間。這在一定程度上限制了深度學習在目標追蹤領域的發展。

在實現本公開的過程中，發明人發現現有技術中存在以下技術問題：

目前的跟蹤方法中，基于深度學習的方法依賴大量人工標定的數據，速度較慢；傳統方法速度較快，但精度相對較低。深度學習魯棒性優勢和傳統方法實時性優勢的融合一直沒有得到良好的解決。

深度學習的方法使得跟蹤性能獲得很大提升，但是嚴重依賴人工標注的數據質量和規模；另一方面，廣泛存在的監控數據本身是巨大的資源，但是單位價值密度低，需要進行數據清洗才能進一步使用。

因此，如何自動構建大量標注數據，以及如何利用這些標注的數據以基于深度學習方法的慢跟蹤策略和基于經典方法的快跟蹤策略相結合的方式，融合深度學習和傳統方法各自的優勢成為一大難題。

發明內容

為了解決現有技術的不足，本公開提供了具有持續自主學習能力的行人跟蹤方法及系統；在存在大量未標注數據的情況下，系統可以自動進行標注，并且融合基于深度學習方法的慢跟蹤策略和基于經典方法的快跟蹤策略兩種方式，其可以達到魯棒性和實時性都比較好的效果。

第一方面，本公開提供了具有持續自主學習能力的行人跟蹤方法；

具有持續自主學習能力的行人跟蹤方法，包括：

獲取在線監控視頻，識別在線監控視頻中行人所屬類別；

利用訓練好的深度學習模型，對在線監控視頻的第一幀的當前類別的行人進行標注；

利用行人所屬類別對應的追蹤器，對在線監控視頻中除第一幀以外的剩余幀進行當前類別行人的追蹤。

第二方面，本公開提供了具有持續自主學習能力的行人跟蹤系統；

具有持續自主學習能力的行人跟蹤系統，包括：

獲取模塊，其被配置為：獲取在線監控視頻，識別在線監控視頻中行人所屬類別；

標注模塊，其被配置為：利用訓練好的深度學習模型，對在線監控視頻的第一幀的當前類別的行人進行標注；

追蹤模塊，其被配置為：利用行人所屬類別對應的追蹤器，對在線監控視頻中除第一幀以外的剩余幀進行當前類別行人的追蹤。

第三方面，本公開還提供了一種電子設備，包括：一個或多個處理器、一個或多個存儲器、以及一個或多個計算機程序；其中，處理器與存儲器連接，上述一個或多個計算機程序被存儲在存儲器中，當電子設備運行時，該處理器執行該存儲器存儲的一個或多個計算機程序，以使電子設備執行上述第一方面所述的方法。

第四方面，本公開還提供了一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成第一方面所述的方法。

第五方面，本公開還提供了一種計算機程序(產品)，包括計算機程序，所述計算機程序當在一個或多個處理器上運行的時候用于實現前述第一方面任意一項的方法。