The embodiment of the present invention provides a multi-target tracking method and system based on depth characteristics, which includes: acquiring the corresponding detection frame position and depth characteristics of each target detected in the current frame image; using Kalman filter to obtain the predicted position of each target in the current frame based on the corresponding detection frame position of each target in the previous frame image; and according to each target, using Kalman filter to obtain the predicted position of each target in the current frame. The corresponding detection frame position, the predicted position of each target in the current frame, the depth feature of each target and the depth feature set of each tracker are cascaded by Hungarian algorithm, and the IOU distance matrix between the detection frame and the tracker to be matched is calculated based on the IOU distance matrix, and the Hungarian algorithm is used to perform the cascaded matching between the detection frame and the tracker to be matched. The IOU matching between the detection box and the tracker obtains the final matching set. The embodiment of the invention can effectively improve the target tracking effect under occlusion and reduce the number of ID switching.
【技术实现步骤摘要】
基于深度特征的多目标追踪方法及系统
本专利技术实施例涉及深度学习
,更具体地,涉及一种基于深度特征的多目标追踪方法及系统。
技术介绍
多目标跟踪的主要任务是在给定视频中同时对多个感兴趣的目标进行定位,并且维持他们的ID、记录他们的轨迹。随着目标检测技术的飞速发展,通过检测跟踪(Trackingbydetection)在多目标跟踪中成为主流。在这一处理模式中,目标轨迹是通过对整个视频流的全局优化处理计算而得到的,如flow网络、概率图模型等。然而,批处理使得这些方法不适用于需要实时目标检测的在线场景。更为传统方法是多假设跟踪(MultipleHypothesisTracking)和联合概率数据关联滤波(JointProbabilisticDataAssociationFilter)。还有一种方法是简单在线实时跟踪(Simpleonlineandrealtimetracking,SORT)框架通过在图像空间执行卡尔曼滤波,以及使用Hungarian方法实现帧间数据关联,关联指标是测量边界框的重叠。现有的多目标跟踪方法存在ID切换,计算和实现的复杂度较大,并且在有遮挡时跟踪性能较低的问题。
技术实现思路
本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的基于深度特征的多目标追踪方法及系统。第一方面,本专利技术实施例提供一种基于深度特征的多目标追踪方法,包括:将当前帧图像输入至预先训练好的卷积神经网络模型,获取在所述当前帧图像中检测到的各目标对应的检测框位置和各目标的深度特征;基于上一帧图像中各目标对应的检测框位置,使用Kalman滤波器获取各目标 ...
【技术保护点】
1.一种基于深度特征的多目标追踪方法,其特征在于,包括:将当前帧图像输入至预先训练好的卷积神经网络模型,获取在所述当前帧图像中检测到的各目标对应的检测框位置和各目标的深度特征;基于上一帧图像中各目标对应的检测框位置,使用Kalman滤波器获取各目标在当前帧的预测位置;根据各目标对应的检测框位置、各目标在当前帧的预测位置、各目标的深度特征和各追踪器的深度特征集,利用匈牙利算法对各目标对应的检测框与追踪器进行级联匹配,获得初始匹配集合、未级联匹配上的检测框和待匹配的追踪器;计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合。
【技术特征摘要】
1.一种基于深度特征的多目标追踪方法,其特征在于,包括:将当前帧图像输入至预先训练好的卷积神经网络模型,获取在所述当前帧图像中检测到的各目标对应的检测框位置和各目标的深度特征;基于上一帧图像中各目标对应的检测框位置,使用Kalman滤波器获取各目标在当前帧的预测位置;根据各目标对应的检测框位置、各目标在当前帧的预测位置、各目标的深度特征和各追踪器的深度特征集,利用匈牙利算法对各目标对应的检测框与追踪器进行级联匹配,获得初始匹配集合、未级联匹配上的检测框和待匹配的追踪器;计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合。2.根据权利要求1所述的方法,其特征在于,所述根据各目标对应的检测框位置、各目标在当前帧的预测位置、各目标的深度特征和各追踪器的深度特征集,利用匈牙利算法对各目标对应的检测框与追踪器进行级联匹配,获得初始匹配集合、未级联匹配上的检测框和待匹配的追踪器的步骤,具体为:构建每个目标的深度特征与各追踪器的深度特征集间的余弦距离矩阵;计算每个目标在当前帧的预测位置与其对应的检测框位置之间的马氏距离;对所述余弦距离矩阵进行预处理,包括将所述余弦距离矩阵中马氏距离大于第一预设阈值的元素置为无穷大,以及将所述余弦距离矩阵中余弦距离大于第二预设阈值的元素置为一个较大的值;基于预处理后的所述余弦距离矩阵,利用匈牙利算法对各目标对应的检测框与追踪器进行第一次匹配,并对第一次匹配结果进行筛选,获得初始匹配集合、未级联匹配上的检测框和待匹配的追踪器。3.根据权利要求1所述的方法,其特征在于,所述计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合的步骤,具体为:根据当前帧初始化待匹配的追踪器,计算未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵;对所述IOU距离矩阵进行预处理,并利用匈牙利算法对所述未级联匹配上的检测框与待匹配的追踪器进行第二次匹配,并对第二次匹配结果进行筛选,获得最终匹配集合、未匹配上的检测框和待匹配的追踪器。4.根据权利要求1所述的方法,其特征在于,所述基于上一帧图像中各目标对应的检测框位置,使用Kalman滤...
【专利技术属性】
技术研发人员:孙庆宏,董远,白洪亮,熊风烨,
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
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。