[發明專利]一種圖像跟蹤方法、裝置、存儲介質及電子設備

在審

• 申請號: 202110371086.9
• 申請日: 2021-04-07
• 公開（公告）號: CN113139442A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 任永騰;王堃;王成
• 申請（專利權）人: 青島以薩數據技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 北京酷愛智慧知識產權代理有限公司 11514
• 代理人: 鐘繼蓮

本發明公開了一種圖像跟蹤方法、裝置、存儲介質及電子設備，包括逐幀讀取實時視頻流圖像并對圖像進行歸一化處理；其次通過YOLOv4深度學習算法對歸一化后的圖像進行目標檢測，得到單幀圖像的檢測框和目標類別；采用DeepSort多目標跟蹤算法對檢測框進行跟蹤，得到唯一的目標ID；最后將獲取的目標ID和對應檢測框進行存儲，以便后續進行序列分析或還原目標軌跡等任務時調用。通過上述方案提出的跟蹤算法，提高了每個網格點所負責預測的目標個數，大幅改善物體密集、物體重疊和物體交叉時的跟蹤效果。

技術領域

本發明屬于計算機軟件領域技術領域，具體涉及一種圖像跟蹤方法、裝置、存儲介質及電子設備。

背景技術

在非結構化數據領域，技術帶來了前所未有的爆炸性變化。移動設備、Web站點、社交媒體、科學儀器、衛星、IoT設備以及監控攝像頭這樣的數據源每秒鐘都會產生大量的圖片和視頻。

管理和有效分析這些數據是一個很大的挑戰，我們可以考慮某個城市的視頻監控網絡。試圖監控每個攝像頭的視頻流來發現感興趣的對象和事件是不現實且低效的。相反，計算機視覺庫能夠處理這些視頻流并提供智能的視頻分析和對象探測結果。

在基于視頻流的分析、處理方法中，目標檢測和多目標跟蹤算法是所有任務的基石，但是目前的目標檢測和多目標跟蹤算法存在諸多問題，如：兩個以上物體重疊較大時時只能檢測到一個物體、多個物體交叉運動時跟蹤目標丟失、單純基于目標框交并比的跟蹤無法利用到物體的像素特征等。有鑒于此，特提出本發明。

發明內容

針對現有技術中的缺陷，本發明提出一種圖像跟蹤方法、裝置、存儲介質及電子設備，解決了現有算法在物體密集、多目標交叉時跟蹤算法失效以及無法有效利用物體像素特征等問題。

為實現上述目的，本發明的技術方案如下：

一種圖像跟蹤方法，所述方法包括：

逐幀讀取實時視頻流圖像，對所述圖像進行歸一化處理；

通過YOLOv4深度學習算法，對歸一化后的圖像進行目標檢測，得到單幀圖像的檢測框和目標類別；

采用DeepSort多目標跟蹤算法對所述檢測框進行跟蹤，得到唯一的目標ID；

將獲取的目標ID和對應檢測框進行存儲。

優選的，所述逐幀讀取實時視頻流圖像，對圖像進行歸一化處理包括：獲取視頻流地址，并實時解幀；對解幀獲得的圖像進行縮放處理，以使圖像滿足預設尺寸要求；

計算圖像像素的均值和方差；

將圖像中的每一個像素值減去其均值并除以方差，以得到歸一化后的圖像。

優選的，所述通過YOLOv4深度學習算法對歸一化后的圖像進行目標檢測，得到檢測框和目標類別包括：

將獲得的歸一化后的圖像輸入預先定義的YOLOv4深度學習模型中，將所述歸一化后的圖像進行分割得到多個網格，每個網格中生成一個檢測框；

對所述檢測框進行卷積層處理，獲得單幀圖像的檢測框和目標類別。

進一步地，所述預先定義的YOLOv4深度學習模型包括：特征提取網絡、CSP模塊、SPP模塊、特征融合模塊和CIOU_Loss模塊；

在特征提取網絡中采用CSP模塊將基礎層的特征映射劃分為兩部分，通過跨階段層次結構將特征合并；將合并獲得的特征圖輸入SPP模塊，SPP模塊將特征圖壓縮之后進行上采樣，并將不同級別的特征圖合成最終SPP特征圖，將所述SPP特征圖以及CSP模塊輸出的特征圖輸入所述特征融合模塊，所述CIOU_Loss模塊基于特征融合模塊輸出的不同尺度的融合特征進行分類檢測，輸出最終的目標檢測結果。