基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质技术方案

本发明专利技术公开了一种基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质，其方法包括：获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段；为每一条跟踪片段计算其置信度，其中，跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度；根据置信度的大小，将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分，并以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理，为低可靠度跟踪片段进行全局数据关联处理。本发明专利技术可以有效降低关联算法的时间复杂度，能够有效缓解在跟踪的过程中出现的局部遮挡问题，同时可以实现算法的鲁棒性和实时性的均衡。

【技术实现步骤摘要】
基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质
本专利技术涉及计算机视觉
，尤其涉及一种基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质。
技术介绍
目前，随着社会的发展，人们对于人工智能应用的需求越来越大，几乎涵盖了社会生活中的各个方面，人们也希望能够在视频相关领域实现智能化。尤其是近几年来计算机视觉相关技术以及硬件平台的快速发展，使得人工智能在视频领域的应用成为了可能。目前，世界上各个国家越来越多的人开始投入到计算机视觉领域的分析与研究当中，并取得了巨大的成就。然而由于拍摄场景、拍摄角度复杂多样，不同的光照强度、场景的复杂程度都会对拍摄的视频质量产生重要的影响。因此，许多计算机视觉技术在实际视频应用中还存在许多难点问题需要去解决，多目标跟踪技术便是其中之一。在多目标跟踪领域，目标所处的背景复杂，有的含有很多噪音，而且多个不同的目标之间存在表观相似及相互遮挡等问题，使得在视频中实现鲁棒性和实时性的多目标跟踪充满了挑战性。在整个视频序列中，多目标跟踪要始终维持所有目标的身份标记，以及所有目标的尺寸、位置等信息，防止跟丢、跟错等情况的发生。多目标跟踪的主本文档来自技高网...

【技术保护点】
1.一种基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，包括以下步骤：获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段；为每一条跟踪片段计算其置信度，其中，跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度；根据置信度的大小，将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分，并以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理，为低可靠度跟踪片段进行全局数据关联处理，其中，全局数据关联处理结合卷积神经网络实现。

【技术特征摘要】
1.一种基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，包括以下步骤：获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段；为每一条跟踪片段计算其置信度，其中，跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度；根据置信度的大小，将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分，并以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理，为低可靠度跟踪片段进行全局数据关联处理，其中，全局数据关联处理结合卷积神经网络实现。2.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述方法还包括：在完成数据关联处理之后，更新跟踪目标的跟踪状态；更新每一个跟踪片段的置信度，进入下一帧的处理，一直到视频结束。3.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述获取跟踪目标的当前视频帧的检测响应以及当前视频帧之前的所有视频帧的跟踪片段的步骤之前，所述方法还包括：定义跟踪片段置信度的计算方式，所述跟踪片段置信度是指当前已经完成部分连接的跟踪片段的可信赖程度，其中，跟踪片置信度的大小考虑因素包括：可观测度、遮挡程度、段内相似度。4.根据权利要求1所述的基于分层数据关联和卷积神经网络的目标跟踪方法，其特征在于，所述以当前视频帧的检测响应为关联对象，为高可靠度跟踪片段进行局部数据关联处理的步骤包括：将高可靠度跟踪片段同当前视频帧的检测响应相连接，在连接过程中，计算当前所有的跟踪片段和该帧内所有的检测响应之间的相似度，所述跟踪片段和该帧内所有的检测响应之间的相似度，以跟踪片段和检测响应之间的亲和度通过矩阵方式表征，连接亲和度大于预设阈值的...

【专利技术属性】
技术研发人员：王轩，孟东伟，漆舒汉，蒋琳，廖清，姚霖，李晔，关键，刘泽超，吴宇琳，李化乐，贾丰玮，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东,44