【技术实现步骤摘要】
多目标跟踪方法和装置
[0001]本申请的实施例涉及机器学习
,尤其涉及一种多目标跟踪方法和装置。
技术介绍
[0002]在实现对多目标连续跟踪的技术中,往往依靠连续帧之间像素的差异,或单纯利用目标之间的特征差异进行跟踪,不仅跟踪效率不高,其跟踪的准确性也极其不稳定。
[0003]基于此,需要一种能够实现稳定,快捷实现多目标跟踪的方案。
技术实现思路
[0004]有鉴于此,本申请的目的在于提出一种多目标跟踪方法和装置。
[0005]基于上述目的,本申请提供了多目标跟踪方法,包括:
[0006]对包括有至少一个当前目标的当前帧图像进行特征提取,得到当前帧图像对应的初步特征;
[0007]根据当前帧图像的前若干帧图像,获取每个前帧目标分别对应的运动信息,并为每个前帧目标分别预测得到第一预测位置;
[0008]根据第一预测位置对初步特征进行增强,得到增强特征;对增强特征进行对象识别,得到每个当前目标分别对应的位置识别信息和特征识别信息;
[0009]提取每个前帧目标的轨迹信息,对于每个前帧目标,确定其在当前帧时刻的前一帧图像中的位置信息和特征信息;根据位置信息,为每个目标对象分别预测得到第二预测位置;
[0010]对于每个当前目标,将其与全部的轨迹信息分别组合,得到若干匹配组;
[0011]对于每个匹配组,将该匹配组包括的当前目标的位置识别信息、特征识别信息与该匹配组包括的轨迹信息确定出的第二预测位置、特征信息分别进行匹配,得到位置匹配度 ...
【技术保护点】
【技术特征摘要】
1.一种多目标跟踪识别方法,其特征在于,包括:对包括有至少一个当前目标的当前帧图像进行特征提取,得到所述当前帧图像对应的初步特征;根据所述当前帧图像的前若干帧图像,获取每个所述前帧目标分别对应的运动信息,并为每个前帧目标分别预测得到第一预测位置;根据所述第一预测位置对所述初步特征进行增强,得到增强特征;对所述增强特征进行对象识别,得到每个所述当前目标分别对应的位置识别信息和特征识别信息;提取每个所述前帧目标的轨迹信息,对于每个所述前帧目标,确定其在当前帧时刻的前一帧图像中的位置信息和特征信息;根据所述位置信息,为每个所述目标对象分别预测得到第二预测位置;对于每个所述当前目标,将其与全部的所述轨迹信息分别组合,得到若干匹配组;对于每个所述匹配组,将该匹配组包括的所述当前目标的所述位置识别信息、所述特征识别信息与该匹配组包括的轨迹信息确定出的所述第二预测位置、特征信息分别进行匹配,得到位置匹配度和特征匹配度,并根据所述位置匹配度和所述特征匹配度得到联合匹配度;根据若干所述匹配组及其分别对应的所述联合匹配度,得到多目标跟踪识别结果。2.根据权利要求1所述的方法,还包括:响应于确定在所述多目标跟踪识别结果中仍存在未成功匹配的所述当前目标和所述轨迹信息,调取所述前帧目标中非激活状态的轨迹信息;计算未成功匹配的所述当前目标和非激活状态的所述轨迹信息之间的特征匹配度;响应于该所述特征匹配度大于等于预设的特征匹配度阈值,确定匹配成功,并将成功匹配的非激活状态的所述轨迹信息更新为激活状态;响应于确定所述轨迹信息保持非激活状态的时间超过预设的时间阈值,将该所述轨迹信息删除;其中,将所述非激活状态的轨迹信息定义为:所述前一帧图像与该所述轨迹信息未成功匹配;将所述激活状态的轨迹信息定义为:所述前一帧图像与该所述轨迹信息成功匹配。3.根据权利要求1所述的方法,还包括:响应于确定不具备前若干帧图像,不进行所述第一预测位置的预测;并将所述初步特征输入卷积神经网络,得到每个所述当前目标分别对应的的所述位置识别信息和特征识别信息;所述前若干帧图像包括:符合预定数目的前若干帧连续图像。4.根据权利要求3所述的方法,其特征在于,所述为每个前帧目标分别预测得到第一预测位置,包括:提取每个所述前帧目标在每帧图像中的位置矩阵,并将所述位置矩阵在时间维度上进行拼接,得到所述前帧目标的历史位置矩阵;利用所述历史位置矩阵,通过卷积长短期记忆网络,得到所述前帧目标在前若干帧图像中的所述运动信息;利用所述运动信息,通过所述卷积神经网络和所述卷积长短期记忆网络,预测每个所
述前帧目标在当前帧时刻的位置,并采取结构相似性损失函数的监督训练,得到第一预测位置。5.根据权利要求1所述的方法,其特征在于,根据所述第一预测位置对所述初步特征进行增强,包括:利用所述初步特征和所述第一预测位置构建如下的增强公式,计算所述增强特征:其中,F
′
t
表示所述增强特征,F
t
表示所述初步特征,P
t
表示所述第一预测位置。6.根据权利要求1或3所述的方法,其特征在于,所述得到每个所述当前目标分别对应的位置识别信息和特征识别信息,包括:将所述增强特征或所述初步特征输入所述卷积神经网络的位置预测网络层,得到所述位置概率矩阵;将所述增强特征或所述初步特征输入所述卷积神经网络的偏移预测网络层,得到所述偏移预测矩阵;将所述增强特征或所述初步特征输入所述卷积神经网络的长宽预测网络层,得到所述长宽预测矩阵;将所述增强特征或所述初步特征输入所述卷积神经网络的特征提取网络层,得到所述目标特征矩阵,作为所述特征识别信息;利用所述位置概率矩阵和所述偏移预测矩阵,得到所述当前目标的位置向量;利用所述位置向量和所述长宽预测矩阵,构成所述位置识别信息;其中,对于所述位置概率矩阵中的每一个位置,响应于该...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。