【技术实现步骤摘要】
一种基于图神经网络的多目标跟踪方法和系统
本申请涉及多目标跟踪领域，尤其涉及一种基于图神经网络的多目标跟踪方法和系统。
技术介绍
随着多媒体技术的发展以及视频采集设备的普及，视频等多媒体产品的产量越来越大，在日常生活的作用越来越大。在运动分析、人机交互、视频监控(异常行为识别)和自动驾驶等领域中，对视频中多个目标进行跟踪是一个基础且重要的任务。视频多目标跟踪技术在理论研究和实际应用中都有很大的研究价值。跟踪任务分为：单目标跟踪任务和多目标跟踪任务。单目标跟踪任务是对最开始指定的一个目标进行跟踪，多目标跟踪则是需要对视野中所有目标进行跟踪。跟踪任务需要克服的难点有：跟踪目标被遮挡，运动模糊导致的外貌特征变化。虽然可以将单目标跟踪方法直接应用到多目标跟踪任务中，但是简单地应用方式是不可行的。相比单目标跟踪任务，多目标跟踪任务中跟踪目标的数量是变化的。多目标跟踪方法需要确定当前帧中的跟踪目标数量，需要确定哪些目标离开了视野以及哪些目标进入了视野。相较于单目标跟踪任务，多目标跟踪任务中的目标被遮挡更加频繁，同时相似外貌的目标...
【技术保护点】
1.一种基于图神经网络的多目标跟踪方法，其特征在于，包括：/n预处理训练集，得到节点集合、边集合和全局变量；/n输入所述节点集合、边集合和全局变量至图神经网络，得到外貌相似度矩阵和运动相似度矩阵；/n使用优化算法，根据损失函数、所述外貌相似度矩阵和运动相似度矩阵训练所述图神经网络，确定所述图神经网络的设置参数，再训练，得到训练好的图神经网络；/n使用训练好的图神经网络处理数据集，得到相似度矩阵；/n使用匹配算法对所述相似度矩阵进行计算，得到数据集中目标的匹配结果。/n
【技术特征摘要】
1.一种基于图神经网络的多目标跟踪方法，其特征在于，包括：
预处理训练集，得到节点集合、边集合和全局变量；
输入所述节点集合、边集合和全局变量至图神经网络，得到外貌相似度矩阵和运动相似度矩阵；
使用优化算法，根据损失函数、所述外貌相似度矩阵和运动相似度矩阵训练所述图神经网络，确定所述图神经网络的设置参数，再训练，得到训练好的图神经网络；
使用训练好的图神经网络处理数据集，得到相似度矩阵；
使用匹配算法对所述相似度矩阵进行计算，得到数据集中目标的匹配结果。
2.如权利要求1所述的方法，其特征在于，所述预处理训练集，得到节点集合、边集合和全局变量，包括：
将训练集分为第一训练集和第二训练集；
使用预处理神经网络提取所述第一训练集的帧中所有标注框的深度特征，得到外貌节点集合；
计算第一训练集中所有相邻帧的标注框之间的重叠度，得到两个标注框之间的边集合；
提取第一训练集中所有帧中的标注框的位置、尺寸和移动数据，得到每个所述标注框的运动特征；
归一化所有运动特征，得到运动节点集合；
随机初始化一维向量，作为全局变量。
3.如权利要求1所述的方法，其特征在于，所述输入所述节点集合、边集合和全局变量至图神经网络，得到外貌相似度矩阵和运动相似度矩阵，包括：
输入外貌节点集合、边集合和全局变量至外貌特征图神经网络，得到外貌相似度矩阵；
输入运动节点集合、边集合和全局变量至运动特征图神经网络，得到运动相似度矩阵。
4.如权利要求3所述的方法，其特征在于，所述输入外貌节点集合、边集合和全局变量至外貌特征图神经网络，得到外貌相似度矩阵，包括：
输入边集合、与输入的所述边集合中每一个边对应的两个外貌节点以及全局变量至第一边神经网络，得到第一更新边；
输入所述第一更新边、通过第一更新边相连的两个外貌节点以及全局变量至节点神经网络，得到第一更新节点；
融合得到的所有第一更新边，得到第二更新边；
融合外貌节点中所有的发送节点和得到的第一更新节点，得到第二更新节点；
融合所有的第一更新边，得到第二更新边；
输入所述全局变量、第二更新节点和第二更新边至第一全局神经网络，得到第一更新全局变量；
输入更新全局变量、外貌节点中所有的发送节点、第一更新节点和第一更新边至第二边神经网络，得到外貌相似度矩阵。
5.如权利要求3所述的方法，其特征在于，所述输入运动节点集合、边集合和全局变量至运动特征图神经网络，得到运动相似度矩阵，包括：
融合边集合中所有的边，得到第三更新边；
融合运动节点集合中所有的运动节点，得到第三更新节点；
输入全局变量、第三更新边和第三更新节点至第二全局神经网络，得到第二更新全局变量；
输入边集合、与输...
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。