一种基于深度学习的多目标追踪系统及实现方法技术方案

本发明专利技术涉及一种基于深度学习的多目标追踪系统及实现方法，方法包括：通过目标检测获得第一帧的目标位置，将多个待追踪目标加入到追踪队列中，输入下一帧图片并遍历所述追踪队列，得到该目标在下一帧中的位置，在得到上述目标在下一帧的位置之后，通过阈值判断该目标是否离开屏幕，若否，则每隔一固定帧调用一次目标检测，将目标检测的结果与追踪的结果计算IOU交并比，如果IOU<0.1，则认为新的目标加入了屏幕，将该目标加入追踪队列中；如果IOU>0.5，则利用目标检测的框替代追踪的框，进行位置校正；继续对目标进行追踪。本发明专利技术通过精心设计网络结构，改进训练方法，在高追踪精度的同时，显著提高了追踪的速度，减少了网络的冗余，减小了模型的大小。

A multi-target tracking system based on depth learning and its implementation

The invention relates to a system and the realization method of multi-target tracking based on deep learning method includes obtaining a first frame target location by target detection, multiple target tracking tracking to be added to the queue, input a picture and traverse the tracking queue, get the target positions in the next frame in the target, after the next position, the threshold to determine if the target from the screen, if not, at a fixed frame called a target detection, the results will be the results of target detection and tracking calculation IOU and, if IOU< 0.1, thought the new goal to join the screen the target tracking, join the queue; if IOU> 0.5, the target detection box instead of tracking frame, position correction; continue to target tracking. The invention improves the training method by carefully designing the network structure, and remarkably improves the tracking speed, reduces the redundancy of the network and reduces the size of the model when the tracking precision is high.

【技术实现步骤摘要】
一种基于深度学习的多目标追踪系统及实现方法
本专利技术涉及图像处理领域，特别涉及一种基于深度学习的多目标追踪系统及实现方法，实现对于多目标准确且快速追踪的问题。
技术介绍
运动目标跟踪就是在一个连续视频序列中，在每一帧监控画面中找到感兴趣的运动目标(例如，车辆，行人，动物等)。跟踪可以大致分为以下几个步骤：1)目标的有效描述；目标的跟踪过程跟目标检测一样，需要对其进行有效的描述，即，需要提取目标的特征，从而能够表达该目标；一般来说，我们可以通过图像的边缘、轮廓、形状、纹理、区域、直方图、矩特征、变换系数等来进行目标的特征描述；2)相似性度量计算；常用的方法有：欧式距离、马氏距离、棋盘距离、加权距离、相似系数、相关系数等；3)目标区域搜索匹配；如果对场景中出现的所有目标都进行特征提取、相似性计算，则系统运行所耗费的计算量是很大的。所以，目前通常采用一定的方式对运动目标可能出现的区域进行估计，从而减少冗余，加快目标跟踪的速度；常见的预测算法有：Kalman滤波、粒子滤波、均值漂移等等。基于上述，运动目标跟踪的目标追踪算法一般包括基于主动轮廓的跟踪、基于特征的跟踪、基于区域的跟踪以及基于模本文档来自技高网...

【技术保护点】
一种基于深度学习的多目标追踪方法，其特征在于包括如下步骤：通过目标检测获得第一帧的目标位置，将多个待追踪目标加入到追踪队列中，输入下一帧图片并遍历所述追踪队列，得到该目标在下一帧中的位置，在得到上述目标在下一帧的位置之后，通过阈值判断该目标是否离开屏幕，若否，则每隔一固定帧调用一次目标检测，将目标检测的结果与追踪的结果计算IOU交并比，如果目标检测的一结果和追踪的所有目标的IOU<0.1，则认为新的目标加入了屏幕，将该目标加入追踪队列中；如果IOU>0.5，则利用目标检测的框替代追踪的框，进行位置校正；继续对目标进行追踪。

【技术特征摘要】
1.一种基于深度学习的多目标追踪方法，其特征在于包括如下步骤：通过目标检测获得第一帧的目标位置，将多个待追踪目标加入到追踪队列中，输入下一帧图片并遍历所述追踪队列，得到该目标在下一帧中的位置，在得到上述目标在下一帧的位置之后，通过阈值判断该目标是否离开屏幕，若否，则每隔一固定帧调用一次目标检测，将目标检测的结果与追踪的结果计算IOU交并比，如果目标检测的一结果和追踪的所有目标的IOU<0.1，则认为新的目标加入了屏幕，将该目标加入追踪队列中；如果IOU>0.5，则利用目标检测的框替代追踪的框，进行位置校正；继续对目标进行追踪。2.根据权利要求1所述的多目标追踪方法，其特征在于，还包括以下预训练过程：将这两张图片通过尺度变换到同一个尺度，得到类似相邻视频帧的两种图片作为训练图片，对网络进行预训练。3.根据权利要求2所述的多目标追踪方法，其特征在于，采用ILSVRC竞赛目标检测DET的图片作为上述训练图片。4.根据权利要求2所述的多目标追踪方法，其特征在于，还包括以下训练过程：首先将两张图片预处理之后通过参数相同的孪生网络提取图片特征；其次，所述孪生网络通过稠密->稀疏->稠密的卷积神经网络提取图片特征；然后，将两个特征相减作为融合的特征，然后再将该特征通过全连接层进行回归得到目标框的位置。5.根据权利要求1所述的多目标追踪方法，其特征在于，在卷积神经网络的特征提取过程中采用CRELU联合修正线性单元。6.根据权利要求1所述的多目标追踪方法，其特征在于，利用基于faster-rcnn框架的目标检测技术检测所述第一帧的目标位置。7.根据权利要求1所述的多目标...

【专利技术属性】
技术研发人员：何志群，白洪亮，董远，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11