一种基于边缘计算的目标动态跟踪方法及系统技术方案

本发明专利技术涉及边缘计算技术领域，公开了一种基于边缘计算的目标动态跟踪方法及系统，其方法通过Yolov4 tiny目标检测算法获取每帧待检测视频影像中的目标物的目标位置坐标信息，并提取目标物的属性特征，基于匈牙利算法对相邻帧的待检测视频影像中的目标物的属性特征进行数据匹配，对匹配成功的目标物赋予相同ID，从而对每帧的待检测视频影像中的相同ID的目标物的目标位置坐标信息按照时序进行关联，构成目标跟踪轨迹。从而可以减少干扰目标对其跟踪的影响，提供了目标跟踪的精度，同时，还缩短了目标跟踪的时间。了目标跟踪的时间。了目标跟踪的时间。

【技术实现步骤摘要】
一种基于边缘计算的目标动态跟踪方法及系统


[0001]本专利技术涉及边缘计算
，尤其涉及一种基于边缘计算的目标动态跟踪方法及系统。

技术介绍

[0002]电网中大部分的作业现场都安装了视频监控，作业的监督地点也从以往的现场监移到数据中心。随着图像识别等智能化技术的发展，电力行业也开始将监控视频的分析方式从人工查看向智能化视频过渡。
[0003]目前，现场作业智能化监控主要是通过视频人像识别技术功能对现场作业中的违章、违规行为进行自动判定。而现阶段，随着作业规模的不断扩大，在视频监控系统中对目标进行追踪时，会出现较多的干扰目标，这将导致目标跟踪的精度大大降低，同时，还将耗费更长的时间。

技术实现思路

[0004]本专利技术提供了一种基于边缘计算的目标动态跟踪方法及系统，解决了目标跟踪的精度较低以及目标跟踪耗费时间较长的技术问题。
[0005]有鉴于此，本专利技术第一方面提供了一种基于边缘计算的目标动态跟踪方法，包括以下步骤：获取待检测视频影像，对所述待检测视频影像进行解帧处理，所述待检测视频影像包含目标物；基于Yolov4 tiny目标检测算法获取每帧所述待检测视频影像中的所述目标物的目标位置坐标信息；提取所述目标物的属性特征，所述属性特征包括空间位置特征、空间颜色直方图特征和外观深度特征；基于匈牙利算法，对相邻帧的所述待检测视频影像中的所述目标物的属性特征进行数据匹配，若匹配成功，则向匹配成功的目标物赋予相同ID，从而对每帧的待检测视频影像中的相同ID的目标物的所述目标位置坐标信息按照时序进行关联，构成目标跟踪轨迹。
[0006]优选地，本方法还包括：通过下式计算目标边界框与检测目标边界框的重叠面积的重叠率，从而将所述重叠率作为所述空间位置特征，式中，为检测目标的边界框面积，为跟踪目标的边界框面积，
为两个边界框重叠面积，为重叠率；对所述待检测视频影像进行灰度处理，从而得到灰度图像；提取所述灰度图像的灰度特征，所述灰度特征包括灰度区间的像素点占比、像素点坐标的均值向量、像素点坐标的协方差矩阵和灰度区间的数量；基于所述灰度特征通过下式获取所述空间颜色直方图特征，式中，表示空间颜色直方图特征，表示灰度区间的像素点占比；表示像素点坐标的均值向量，表示像素点坐标的协方差矩阵，表示灰度区间的数量，b表示第b个灰度区间。
[0007]优选地，基于匈牙利算法，对相邻帧的所述待检测视频影像中的所述目标物的属性特征进行数据匹配的步骤具体包括：对相邻帧的所述待检测视频影像中的所述目标物的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行归一化处理；将归一化处理后的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行加权计算，得到融合值为，式中，R表示融合值，为特征的融合系数，，表示归一化处理后的空间位置特征，表示归一化处理后的空间颜色直方图特征，表示归一化处理后的外观深度特征；计算相邻帧的所述待检测视频影像中的所述目标物的融合值的差值，若差值小于预设差值时，则判定相邻帧的所述待检测视频影像中的所述目标物的属性特征匹配成功。
[0008]优选地，本方法还包括：以特征金字塔网络结构作为所述Yolov4 tiny目标检测算法的主干网络结构，并设置13
×
13，26
×
26，52
×
52三种特征分辨率的预测分支。
[0009]优选地，本方法还包括：若检测到所述待检测视频影像中存在未关联的目标物时，则将其判定为新的目标物，并向所述新的目标物赋予新ID，重新执行基于Yolov4 tiny目标检测算法获取每帧所述待检测视频影像中的所述目标物的目标位置坐标信息的步骤；若所述新的目标物不存在与其关联的跟踪目标物，则将所述新的目标物对应的新ID进行剔除，从而结束跟踪相应的新的目标物。
[0010]第二方面，本专利技术还提供了一种基于边缘计算的目标动态跟踪系统，包括：影像获取模块，用于获取待检测视频影像，对所述待检测视频影像进行解帧处理，
所述待检测视频影像包含目标物；位置获取模块，用于基于Yolov4 tiny目标检测算法获取每帧所述待检测视频影像中的所述目标物的目标位置坐标信息；特征提取模块，用于提取所述目标物的属性特征，所述属性特征包括空间位置特征、空间颜色直方图特征和外观深度特征；数据关联模块，用于基于匈牙利算法，对相邻帧的所述待检测视频影像中的所述目标物的属性特征进行数据匹配，若匹配成功，则向匹配成功的目标物赋予相同ID，从而对每帧的待检测视频影像中的相同ID的目标物的所述目标位置坐标信息按照时序进行关联，构成目标跟踪轨迹。
[0011]优选地，本系统还包括：空间位置特征计算模块，用于通过下式计算目标边界框与检测目标边界框的重叠面积的重叠率，从而将所述重叠率作为所述空间位置特征，式中，为检测目标的边界框面积，为跟踪目标的边界框面积，为两个边界框重叠面积，为重叠率；灰度处理模块，用于对所述待检测视频影像进行灰度处理，从而得到灰度图像；灰度特征提取模块，用于提取所述灰度图像的灰度特征，所述灰度特征包括灰度区间的像素点占比、像素点坐标的均值向量、像素点坐标的协方差矩阵和灰度区间的数量；直方图特征提取模块，用于基于所述灰度特征通过下式获取所述空间颜色直方图特征，式中，表示空间颜色直方图特征，表示灰度区间的像素点占比；表示像素点坐标的均值向量，表示像素点坐标的协方差矩阵，表示灰度区间的数量，b表示第b个灰度区间。
[0012]优选地，本系统还包括：归一化模块，用于对相邻帧的所述待检测视频影像中的所述目标物的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行归一化处理；融合计算模块，用于将归一化处理后的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行加权计算，得到融合值为，式中，R表示融合值，为特征的融合系数，
，表示归一化处理后的空间位置特征，表示归一化处理后的空间颜色直方图特征，表示归一化处理后的外观深度特征；差值计算模块，用于计算相邻帧的所述待检测视频影像中的所述目标物的融合值的差值，若差值小于预设差值时，则判定相邻帧的所述待检测视频影像中的所述目标物的属性特征匹配成功。
[0013]优选地，本系统还包括：网络构建模块，用于以特征金字塔网络结构作为所述Yolov4 tiny目标检测算法的主干网络结构，并设置13
×
13，26
×
26，52
×
52三种特征分辨率的预测分支。
[0014]优选地，本系统还包括：新目标检测模块，用于若检测到所述待检测视频影像中存在未关联的目标物时，则将其判定为新的目标物，并向所述新的目标物赋予新ID；ID剔除模块，用于若所述新的目标物不存在与其关联的跟踪目标物，则将所述新的目标物对应的新ID进行剔除，从而结束跟踪相应的新的目标物。
[0015]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术通过Yolov4 tiny目标检测算法获取每帧待检测视频影像中的目标物的目标位置坐标信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的目标动态跟踪方法，其特征在于，包括以下步骤：获取待检测视频影像，对所述待检测视频影像进行解帧处理，所述待检测视频影像包含目标物；基于Yolov4 tiny目标检测算法获取每帧所述待检测视频影像中的所述目标物的目标位置坐标信息；提取所述目标物的属性特征，所述属性特征包括空间位置特征、空间颜色直方图特征和外观深度特征；基于匈牙利算法，对相邻帧的所述待检测视频影像中的所述目标物的属性特征进行数据匹配，若匹配成功，则向匹配成功的目标物赋予相同ID，从而对每帧的待检测视频影像中的相同ID的目标物的所述目标位置坐标信息按照时序进行关联，构成目标跟踪轨迹。2.根据权利要求1所述的基于边缘计算的目标动态跟踪方法，其特征在于，还包括：通过下式计算目标边界框与检测目标边界框的重叠面积的重叠率，从而将所述重叠率作为所述空间位置特征，式中，为检测目标的边界框面积，为跟踪目标的边界框面积，为两个边界框重叠面积，为重叠率；对所述待检测视频影像进行灰度处理，从而得到灰度图像；提取所述灰度图像的灰度特征，所述灰度特征包括灰度区间的像素点占比、像素点坐标的均值向量、像素点坐标的协方差矩阵和灰度区间的数量；基于所述灰度特征通过下式获取所述空间颜色直方图特征，式中，表示空间颜色直方图特征，表示灰度区间的像素点占比；表示像素点坐标的均值向量，表示像素点坐标的协方差矩阵，表示灰度区间的数量，b表示第b个灰度区间。3.根据权利要求1所述的基于边缘计算的目标动态跟踪方法，其特征在于，基于匈牙利算法，对相邻帧的所述待检测视频影像中的所述目标物的属性特征进行数据匹配的步骤具体包括：对相邻帧的所述待检测视频影像中的所述目标物的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行归一化处理；将归一化处理后的所述空间位置特征、所述空间颜色直方图特征和所述外观深度特征进行加权计算，得到融合值为，
式中，R表示融合值，为特征的融合系数，，表示归一化处理后的空间位置特征，表示归一化处理后的空间颜色直方图特征，表示归一化处理后的外观深度特征；计算相邻帧的所述待检测视频影像中的所述目标物的融合值的差值，若差值小于预设差值时，则判定相邻帧的所述待检测视频影像中的所述目标物的属性特征匹配成功。4.根据权利要求1所述的基于边缘计算的目标动态跟踪方法，其特征在于，还包括：以特征金字塔网络结构作为所述Yolov4 tiny目标检测算法的主干网络结构，并设置13
×
13，26
×
26，52
×
52三种特征分辨率的预测分支。5.根据权利要求1所述的基于边缘计算的目标动态跟踪方法，其特征在于，还包括：若检测到所述待检测视频影像中存在未关联的目标物时，则将其判定为新的目标物，并向所述新的目标物赋予新ID，重新执行基于Yolov4 tiny目标检测算法获取每帧所述待检测视频影像中的所述目标物的目标位置坐标信息的步骤；若所述新的目标物不存在与其关联的跟踪目标物，则将所述新的目标物对应的新ID进行剔除，从而结束跟踪相应的新的目标物。6.一种基于边缘计算的目标动态跟踪系统...

【专利技术属性】
技术研发人员：黄国柱，李华，刘文韬，罗其锋，张春梅，谭伟，王天师，谭莹莹，包达志，魏俊锋，熊激川，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：