多源相机运动目标追踪方法技术

本发明专利技术公开了一种多源相机运动目标追踪方法，包括：获取目标检测总数剧集；利用yolov5检测模型将获取的目标检测总数剧集进行训练，获得一个模型文件；定义一个全局变量的追踪类变量，并调用模型文件获取追踪目标特征；使用特征获取函数获取追踪目标特征，并对目标深度特征加载和计算，将计算得到的数据特征传入kalman算法以及匹配算法封装，对类对象也就是目标进行滤波追踪处理以及匹配处理；利用线性分配函数、交并比函数判定目标的真实性；根据目标判定结果对目标的目标坐标以及图像信息进行更新、添加或删除；将更新后的目标融合后，输出目标信息。输出目标信息。输出目标信息。

【技术实现步骤摘要】
多源相机运动目标追踪方法


[0001]本专利技术属于图像处理领域，具体涉及一种多源相机运动目标追踪方法。

技术介绍

[0002]随着人工智能领域的发展以及硬件水平的提升,视觉图像
也正在飞速更新以及发展。各种各样的网络、目标检测网络层出不穷。目标跟踪方向的应用需求也不断增加，因此对跟踪以及多目标、多相机场景的追踪、运动目标的追踪等追踪的算法或者模型也正面临实际应用效果的检验。因此，在多相机场景下对目标进行运动目标追踪的技术研究极具研究意义和现实意义。
[0003]目前，公开号113160283的中国专利公开了一种基于SIFT的多摄像头场景下的目标跟踪方法；包括获取目标检测总数据集；使用目标检测总数据集对目标检测器YOLO
‑
V5s模型进行训练；获取目标追踪重识别数据集，所述目标追踪重识别数据集通过拍摄包含不同类型的追踪目标的照片，提取出每张照片中包含追踪目标的部分制作形成；使用目标追踪重识别数据集训练DeepSort算法中的目标外观特征提取网络；获取运用SIFT算法拼接多摄像头拍摄的视频，使用训练过的YOLO
‑
V5s模型结合训练过的DeepSort算法对视频中的追踪目标进行追踪。该追踪方法中通过采用模型训练和深度网络算法结合后对目标进行追踪，但其获取图像时，需要运动算法对所拍摄的视频进行拼接，存在追踪对象计算复杂，精确性欠缺的问题。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种追踪准确率高，追踪时间短的多源相机运动目标追踪方法。
[0005]为了解决上述技术问题，本专利技术采用了如下的技术方案：一种多源相机运动目标追踪方法，其特征在于，它包括如下步骤：步骤1，获取目标检测总数剧集，所述目标检测总数聚集通过拍摄包含不同类型的检测目标的照片制作形成；步骤2，利用yolov5检测模型将获取的目标检测总数剧集进行训练，获得一个模型文件；步骤3，定义一个全局变量的追踪类变量，并调用步骤2中的模型文件获取追踪目标特征；步骤4，使用特征获取函数获取步骤3中追踪目标特征，并对目标深度特征加载和计算，将计算得到的数据特征传入kalman算法以及匹配算法封装，对目标（也就是对类申请）进行滤波追踪处理以及匹配处理进行滤波追踪处理以及匹配处理；步骤5，利用线性分配函数、交并比函数判定目标的真实性；步骤6，根据步骤5中目标判定结果对目标的目标坐标以及图像信息进行更新、添加或删除；步骤7，将更新后的目标融合后，输出目标信息。采用本方法后，目标追踪速度和鲁棒性上有所突破，加入了对多个相机场景目标追踪的考虑，结合了deepsort深度信息以及基于传统算法级联匹配和kalnan的运动信息。
[0006]进一步的，目标融合时，相似的两个目标按照目标检测时间先后以及相机安装方位进行取舍，并将留下的目标的位置信息、图像box信息进行输出。
[0007]进一步的，相似的两个目标，保留先检测出的目标信息。
[0008]进一步的，步骤2中，采用yolov5检测模型对追踪目标进行模型训练包括如下步骤：S1，对目标样本收集整理；S2，根据不同目标数修改训练参数；S3，将所收集目标样本进行加载训练，生成模型文件。
[0009]进一步的，S1中，目标样本收集和整理时，先通过yolov5检测模型自动化获取目标感兴趣区域图像保存，然后将同一个目标各种角度以及各种尺寸的roi图像，放到相同的文件夹下面，收集多个目标；最后通过python小程序将样本图像转化成统一尺寸。
[0010]进一步的，步骤5中，利用线性分配函数、交并比函数判定目标的匹配关系是对历史追踪目标特征与当前检测感知框特征进行特征比较，以根据两个框的特征比较结果判定两者是否为同一目标。
[0011]进一步的，步骤6中，若目标判定结果显示历史追踪目标与当前追踪目标特征相同，为同一目标不同时段画面，则对目标的目标坐标以及图像信息进行更新；若目标判定结果显示历史追踪目标与当前追踪目标特征不同，则建立新的目标信息；若目标判定中目标不是所要追踪目标同一类别，则删除目标对象。
附图说明
[0012]图1为实施例中融合前所追踪目标显示结果；图2为实施例中融合后追踪目标显示结果。
具体实施方式
[0013]下面结合附图和实施例对本专利技术进一步说明。
[0014]实施例：如图所示，本实施例提供的多源相机运动目标追踪方法，包括如下步骤：步骤1，获取目标检测总数剧集，所述目标检测总数聚集通过拍摄包含不同类型的检测目标的照片制作形成；步骤2，利用yolov5检测模型将获取的目标检测总数剧集进行训练，获得一个模型文件；步骤3，定义一个全局变量的追踪类变量，并调用步骤2中的模型文件获取追踪目标特征；步骤4，使用特征获取函数获取步骤3中追踪目标特征，并对目标深度特征加载和计算，将计算得到的数据特征传入kalman算法以及匹配算法封装，对目标（也就是对封装的类申请的类变量）进行滤波追踪处理以及匹配处理；步骤5，利用线性分配函数、交并比函数判定目标的真实性；步骤6，根据步骤5中目标判定结果对目标的目标坐标以及图像信息进行更新、添加或删除；步骤7，将更新后的目标融合后，输出目标信息。
[0015]进一步的，目标融合时，相似的两个目标按照目标检测时间先后以及相机安装方位进行取舍（具体的，相似的两个目标，保留先检测出的目标信息），并将留下的目标的位置信息、图像box信息进行输出。
[0016]进一步的，步骤2中，采用yolov5检测模型对追踪目标进行模型训练包括如下步骤：S1，对目标样本收集整理，目标样本收集和整理时，先通过yolov5检测模型自动化获取目标感兴趣区域图像保存，也可以先下载公开的追踪数据集比如mot16等，然后将同一个目标各种角度以及各种尺寸的roi图像，放到相同的文件夹下面，收集多个目标；最后通过python小程序将样本图像转化成统一尺寸；S2，根据不同目标数修改训练参数；S3，将所收
集目标样本进行加载训练，生成模型文件。
[0017]进一步的，S2中，参数修改前，观察训练过程中的loss下降情况，然后根据loss下降的情况反复调整learning rate。刚开始将learning rate设置得大一些比如0.1,后续再以0.1的倍数逐渐减小。最开始不建议将learning rate 设置的太小，容易陷入局部最优。后面阶段建议将learning rate设置的小一些，以免网络过于振荡达不到全局最优。
[0018]具体的，S3中，执行train.py脚本进行训练，python ./train.py
ꢀ–
data
‑
dir path_of_data。执行之前可以修改训练的epoch的次数，learnrate的大小，momentum大小，要加载的预训练模型，生成后模型文件名等。生成.t7的模型文件以后，执行model2onnx.py程序将.t7文件转化成onnx文件供后续工程程序使用。执行mode本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源相机运动目标追踪方法，其特征在于，它包括如下步骤：步骤1，获取目标检测总数剧集，所述目标检测总数聚集通过拍摄包含不同类型的检测目标的照片制作形成；步骤2，利用yolov5检测模型将获取的目标检测总数剧集进行训练，获得一个模型文件；步骤3，定义一个全局变量的追踪类变量，并调用步骤2中的模型文件获取追踪目标特征；步骤4，使用特征获取函数获取步骤3中追踪目标特征，并对目标深度特征加载和计算，将计算得到的数据特征传入kalman算法以及匹配算法封装，对目标进行滤波追踪处理以及匹配处理；步骤5，利用线性分配函数、交并比函数判定目标的真实性；步骤6，根据步骤5中目标判定结果对目标的目标坐标以及图像信息进行更新、添加或删除；步骤7，将更新后的目标融合后，输出目标信息。2.根据权利要求1所述的多源相机运动目标追踪方法，其特征在于，目标融合时，相似的两个目标按照目标检测时间先后以及相机安装方位进行取舍，并将留下的目标的位置信息、图像box信息进行输出。3.根据权利要求2所述的多源相机运动目标追踪方法，其特征在于，相似的两个目标，保留先检测出的目标信息。4.根据权利要求1或2或3所述的多源相机运动目标...

【专利技术属性】
技术研发人员：吴川平，单玉梅，吴锐，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：