一种基于复合循环神经网络系统的多目标跟踪模型技术方案

本发明专利技术公开基于复合循环神经网络系统的多目标跟踪模型，是基于RNN和GRU构成的复合循环神经网络系统的多目标跟踪网络模型，采用边界框标注被跟踪对象，所述复合循环神经网络系统包括基于RNN的目标检测单元、基于GRU的跟踪管理单元以及基于GRU的数据关联单元。本发明专利技术提出的基于RNN与GRU的多目标跟踪网络模型是一种端对端的多目标跟踪架构，相对于传统方法，简化了参数调整过程及要求，本发明专利技术在不同光照条件，频繁遮挡，目标间相互影响及表观相似等复杂环境条件下，均有较好的跟踪效果。

A multi-target tracking model based on compound cyclic neural network system

【技术实现步骤摘要】
一种基于复合循环神经网络系统的多目标跟踪模型
本专利技术涉及计算机视觉
，特别是涉及一种基于复合循环神经网络系统的多目标跟踪模型。
技术介绍
多目标跟踪，即MultipleObjectTracking(MOT)，是给定一个图像序列，找到图像序列中运动的物体，并将不同帧中的运动物体一一对应(Identity)，然后给出不同物体的运动轨迹。多目标跟踪的理想的评价指标需满足下述要求：所有出现的目标都要能够及时找到，找到目标位置要尽可能可真实目标位置一致，保持追踪一致性，避免跟踪目标的跳变。目前的多目标跟踪技术的跟踪结果的准确度尚需要进一步的提升。
技术实现思路
本专利技术的目的是而提供一种基于复合循环神经网络系统的多目标跟踪模型，是一种行人多目标跟踪方法，以克服现有技术中和多目标跟踪算法或模型复杂度高，需要频繁参数调整，跟踪结果不够准确的等技术缺点，以实现在线的端到端的多目标跟踪过程。为实现本专利技术的目的所采用的技术方案是：一种基于复合循环神经网络系统的多目标跟踪模型，是基于RNN和GRU构成的复合循环神经本文档来自技高网...

【技术保护点】
1.一种基于复合循环神经网络系统的多目标跟踪模型，其特征在于，是基于RNN和GRU构成的复合循环神经网络系统的多目标跟踪网络模型，采用边界框标注被跟踪对象，所述复合循环神经网络系统包括基于RNN的目标检测单元、基于GRU的跟踪管理单元以及基于GRU的数据关联单元，所述多目标跟踪网络模型采用以下步骤处理待测视频数据：/n基于RNN的目标检测单元，输出t时刻对待测视频数据集v

【技术特征摘要】
1.一种基于复合循环神经网络系统的多目标跟踪模型，其特征在于，是基于RNN和GRU构成的复合循环神经网络系统的多目标跟踪网络模型，采用边界框标注被跟踪对象，所述复合循环神经网络系统包括基于RNN的目标检测单元、基于GRU的跟踪管理单元以及基于GRU的数据关联单元，所述多目标跟踪网络模型采用以下步骤处理待测视频数据：
基于RNN的目标检测单元，输出t时刻对待测视频数据集vt的图像的检测结果集αt＝{ait}A，ait为t时刻视频帧中检测到的第i个对象，A为至t时刻累计检测到的对象集；
基于GRU的跟踪管理单元，输出t时刻对视频帧中各目标的跟踪结果集βt＝{bjt}B,bjt为t时刻相应视频帧中被跟踪的第j个对象，B为t时刻相应视频帧中对象的合集；以及，根据上述检测结果集以及跟踪结果集，计算数据关联的相似矩阵Ct＝[c(ij)t]A×B,其中c(ij)t是ait与bjt间的欧式距离，c(ij)t＝||ait-bjt||2；
基于GRU的数据关联单元，以t时刻的相似矩阵Ct中的子元素c(ij)t为输入，输出结果为t时刻相应图像帧中第j个跟踪结果与当前任一检测结果i间的匹配概率向量a(ij)t，表示t时刻第j个跟踪目标和第i个检测结果间的匹配概率,且Σa(ij)t＝1并构成概率向量At，匹配概率最大的目标检测结果视为t时刻相应目标的跟踪结果。


2.根据权利要求1所述基于复合循环神经网络系统的多目标跟踪模型，其特征在于，所述基于RNN和GRU构成的复合循环神经网络系统的多目标跟踪网络模型的损失函数如下：

其中ht＝∑hlt，分别为复合循环网络系统t时刻的隐藏层状态和t-1预算的t时刻的隐藏层状态，x1，x2，x3，x4为权重值，在网络训练过程中的每次迭代过程进行更新，以使损失最小，N为t时刻检测到的目标总数，M为t时刻跟踪结果数目，D为目标的位置种类...

【专利技术属性】
技术研发人员：史再峰，任辉政，罗韬，曹清洁，范博宇，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12