【技术实现步骤摘要】
一种基于时空关注度机制的多行人在线跟踪方法
本专利技术涉及计算机视频处理
，具体地，涉及一种基于时空关注度机制的多行人在线跟踪方法。
技术介绍
多行人跟踪任务就是要在包含多个行人的视频中，计算每个行人目标的轨迹并进行追踪。该算法在实际场景有广泛的应用，比如无人驾驶、智能视频监控、球类运动分析等。其挑战在于(1)视频中行人目标数量不定，随时可能进入和离开视野范围；(2)不同行人间容易频繁交互产生遮挡，对目标的跟踪造成干扰。现有的多行人跟踪方法可以分为离线和在线两大类。离线方法以整体视频内容作为输入，分析当前视频帧时可以利用过去和未来帧的全局信息建立全局优化的图模型，因此对目标遮挡和短暂丢失等问题的鲁棒性更强。然而其局限性在于无法应用在实时场景中，比如无人驾驶和球赛实况分析。相比之下，在线方法只利用历史视频帧信息实时计算当前帧的目标位置，因而应用范围更广。现有的多行人在线跟踪方法存在以下局限：(1)传统跟踪算法中的搜索区域存在正负训练样本不均衡的问题，有效的正样本很少而作用微小的背景负样本却很多。这会在一定程度上降低跟踪模型的抗干扰性能，造成跟踪对象的漂移。(2...
【技术保护点】
1.一种基于时空关注度机制的多行人在线跟踪方法，其特征在于：包括以下步骤：S1：使用DPM目标检测算法检测出当前视频帧中行人目标的位置；S2：对当前视频帧中的每个行人进行在线目标跟踪并计算目标跟踪的置信度分数；S3：如果行人目标跟踪的置信度分数低于设定阈值则暂停跟踪，判定目标进入丢失状态，此时需在后续视频帧中不断对新检测到的候选行人目标和已丢失行人目标的轨迹之间进行数据关联，若已丢失行人目标关联成功则恢复S2的跟踪；S4：若行人目标保持丢失状态超过预设的时间阈值，则判定该行人目标消失在场景中，并终止对该行人目标的跟踪。
【技术特征摘要】
1.一种基于时空关注度机制的多行人在线跟踪方法，其特征在于：包括以下步骤：S1：使用DPM目标检测算法检测出当前视频帧中行人目标的位置；S2：对当前视频帧中的每个行人进行在线目标跟踪并计算目标跟踪的置信度分数；S3：如果行人目标跟踪的置信度分数低于设定阈值则暂停跟踪，判定目标进入丢失状态，此时需在后续视频帧中不断对新检测到的候选行人目标和已丢失行人目标的轨迹之间进行数据关联，若已丢失行人目标关联成功则恢复S2的跟踪；S4：若行人目标保持丢失状态超过预设的时间阈值，则判定该行人目标消失在场景中，并终止对该行人目标的跟踪。2.根据权利要求1所述的基于时空关注度机制的多行人在线跟踪方法，其特征在于：S2中所述的在线目标跟踪并计算目标跟踪的置信度分数，包括以下步骤：S21：以行人第一帧的初始检测框为中心，选取长宽分别为该检测框长宽2倍的矩形区域作为采样区域，采集正负图像样本，初始化训练卷积滤波器f；其中，正图像样本为与检测框的交并比大于0.9的矩形区域内图像，负图像样本为与检测框的交并比小于0.4的矩形区域内图像；S22：以上一帧的行人检测框中心为中心，选取长宽分别为该检测框长宽2倍的矩形区域作为当前帧的目标搜索区域，在当前帧的目标搜索区域内，用上一帧训练学习到的卷积滤波器f对目标搜索区域做卷积操作，取置信度值最高的位置作为当前帧行人目标的位置；S23：以当前帧目标搜索区域内行人目标的位置区域作为正样本，以目标搜索区域内的其他样本作为负样本，训练更新卷积滤波器f；S24：采用S23中当前帧训练更新得到的卷积滤波器f对下一帧目标搜索区域做卷积操作，并取置信度值最高的位置作为下一帧行人目标的位置。3.根据权利要求2所述的基于时空关注度机制的多行人在线跟踪方法，其特征在于：S23中，训练更新卷积滤波器f采用如下目标优化函数：其中，M表示训练卷积滤波器f模型所利用的历史视频帧数，αj表示第j帧的学习权重，q(t)表示每一帧中不同位置样本的自适应权重项，根据不同位置样本的损失值的相对大小自适应分配样本权重，L2表示L2范数，D表示多分辨卷积滤波器f的分辨率个数，w(t)表示空域正则化函数，fd(t)表示多分辨卷积滤波器f中编号为d的滤波器fd(t)，xj表示第j个训练样本，Sf表示利用卷积滤波器f对样本xj做卷积的操作函数，yj表示第j个训练样本期望的置信度响应值分布。4.根据权利要求1所述的基于时空关注度机制的多行人在线跟踪方法，其特征在于：S3中的数据关联包括空域关联和时域关联两个过程，其中，空域关联过程将需要...
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。