The invention provides a multi-target tracking detection method, device and storage medium based on darkflow \u2011 deepsert, which relates to the field of intelligent decision-making technology. The method includes the following steps: S110, training the target detection model based on darkflow by using yolov3 algorithm; S120, inputting the detection image into the trained target detection model based on darkflow, and obtaining the table of multiple targets Visual features; wherein, the detection image is obtained by decoding the monitoring video; S130, inputting the apparent features of multiple targets into the trained target tracking model based on deepsert; the target tracking model is obtained by training the data set mot16challenge of multi-target detection; S140, frame by frame monitoring video is obtained by using the Kalman filter of the target tracking model The data association processing realizes the multi-target tracking in the monitoring video. The invention can improve the detection speed of multi-target tracking and complete the multi-target tracking without losing the detection accuracy.
【技术实现步骤摘要】
基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
本专利技术涉及智能决策
,更为具体地,涉及一种基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质。
技术介绍
视觉目标追踪的方法广泛应用于人机交互、无人驾驶等领域,基于相关滤波(CorrelationFilter)和卷积神经网络(CNN)的跟踪方法已经占据了目标跟踪领域的大半江山。在现存的多目标追踪方法中SORT方法(SIMPLEONLINEANDREALTIMETRACKING,简单的在线和实时跟踪)取得的较好的效果。这个方法最大的特点是高效地实现了目标检测并使用卡尔曼滤波去滤波以及Hungarian算法进行跟踪。而DeepSort是在SORT目标追踪基础上的改进,利用原始DeepSort训练高性能的的Faster-RCNN模型进行目标检测,相对于Sort算法减少了45%的IDswitch,并且结合了深度外观信息,对遮挡目标的追踪效果有了大大提升;升高了FP,达到了最先进的在线跟踪效果。但是,用此方法的DeepSort追踪时fps最高能达到15fps左右,但是平均fps仅仅能达到10左右,且实时追踪仅仅稳定在8fps左右。所以,亟需一种提升检测速度,且不损失检测准确度的多目标追踪检测方法。
技术实现思路
为了解决上述问题,本专利技术的目的是提供一种基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质。一种基于Darkflow-De ...
【技术保护点】
1.一种基于Darkflow-DeepSort的多目标追踪检测方法,应用于电子装置,其特征在于,包括以下步骤:/nS110、利用YOLOv3算法训练得到基于Darkflow的目标检测模型;/nS120、将检测图像输入训练好的基于Darkflow的目标检测模型,得到多个目标的表观特征;其中,所述检测图像基于对监控视频进行解码获得;/nS130、将多个目标的表观特征输入训练好的基于DeepSort的目标跟踪模型;所述目标跟踪模型通过多目标检测的数据集MOT16Challenge训练得到;/nS140、利用目标跟踪模型的卡尔曼滤波器对所述监控视频进行逐帧的数据关联处理,实现所述监控视频中的多目标追踪。/n
【技术特征摘要】
1.一种基于Darkflow-DeepSort的多目标追踪检测方法,应用于电子装置,其特征在于,包括以下步骤:
S110、利用YOLOv3算法训练得到基于Darkflow的目标检测模型;
S120、将检测图像输入训练好的基于Darkflow的目标检测模型,得到多个目标的表观特征;其中,所述检测图像基于对监控视频进行解码获得;
S130、将多个目标的表观特征输入训练好的基于DeepSort的目标跟踪模型;所述目标跟踪模型通过多目标检测的数据集MOT16Challenge训练得到;
S140、利用目标跟踪模型的卡尔曼滤波器对所述监控视频进行逐帧的数据关联处理,实现所述监控视频中的多目标追踪。
2.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法,其特征在于,
所述基于Darkflow的目标检测模型为Python模型,所述Python模型通过Cython将Darknet网络结构转换获得。
3.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法,其特征在于,所述步骤140包括:
S210、获得多目标的运动匹配度以及表观特征匹配度;其中,所述运动匹配度通过对卡尔曼滤波器获得的多目标的运动相似性进行计算获得;所述表观特征匹配度通过将所述多个目标的表观特征计算获得;
S220、利用多目标的运动匹配度和表观特征匹配度,通过对所述监控视频逐帧的数据关联处理,得到的IOU匹配值以及表观特征匹配值,通过IOU匹配值以及表观特征匹配值计算目标框的最终匹配度;
S230、选取最终匹配度达到预设匹配参数的目标框作为目标追踪结果。
4.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法,其特征在于,对于所述步骤S120中得到的多个目标的表观特征,筛选出现次数超过设定阈值的目标,对所述目标通过级联匹配赋予其优先权。
5.根据权利要求2所述的基于Darkflow-DeepSort的多目标追踪检测方法,其特征在于,
所述Darkflow的网络结构中卷积层的padding均为1,池化层均为最大池化。
6.一种电子装置,其特征在于包括:存储器、...
【专利技术属性】
技术研发人员:王义文,郑权,王健宗,曹靖康,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东;44
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。