本发明专利技术公开了一种目标跟踪方法、装置及计算机可读存储介质，通过车辆目标检测模型获取车辆目标检测结果；采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测；利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比，并基于交并比进行数据关联；对未关联轨迹中丢失目标以及未关联检测进行特征提取及特征匹配，构建重识别矩阵，然后将重识别矩阵中相似度大于预设门限值的检测分配至相应轨迹，并为所分配的轨迹更新状态。通过本发明专利技术的实施，对暂时丢失的车辆目标进行持续状态估计，并支持对丢失目标进行重识别，提升了目标跟踪精度，此外，跟踪结构简单，可有效满足跟踪实时性的要求。足跟踪实时性的要求。足跟踪实时性的要求。
【技术实现步骤摘要】
一种目标跟踪方法、装置及计算机可读存储介质
[0001]本专利技术涉及智能交通
，尤其涉及一种目标跟踪方法、装置及计算机可读存储介质。
技术介绍
[0002]随着智慧城市、智能交通等概念的提出，目标检测跟踪技术已成为智能交通系统、辅助驾驶系统、无人驾驶系统、安防系统等诸多领域的研究热点。
[0003]在相关技术中，基于检测的车辆目标跟踪方法通常只依赖于目标的位置信息进行关联，只在特定的无遮挡等不确定性较少的情况下可以取得良好的效果。同时对暂时丢失目标通常不做任何处理，这使其需要极度依赖检测网络的准确性，当检测器出现漏检或车辆间出现短时遮挡时，同一个目标的ID无法保持，会频繁地出现ID切换的问题。因此现有的方法通常不适用于视频监控领域等对目标ID敏感的跟踪场景。
技术实现思路
[0004]本专利技术实施例的主要目的在于提供一种目标跟踪方法、装置及计算机可读存储介质，至少能够解决相关技术中所提供的目标跟踪方法的跟踪精度较低、跟踪实时性较差的问题。
[0005]为实现上述目的，本专利技术实施例第一方面提供了一种目标跟踪方法，该方法包括：
[0006]通过预设车辆目标检测模型获取车辆目标检测结果；
[0007]采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测；
[0008]利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比，并基于所述交并比进行数据关联；
[0009]对未关联轨迹中丢失目标以及未关联检测进行特征提取，以及对所提取的特征点进行特征匹配，构建重识别矩阵，然后将所述重识别矩阵中相似度大于预设门限值的检测分配至相应轨迹，并为所分配的轨迹更新状态。
[0010]为实现上述目的，本专利技术实施例第二方面提供了一种目标跟踪装置，该装置包括：
[0011]检测模块，用于通过预设车辆目标检测模型获取车辆目标检测结果；
[0012]预测模块，用于采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测；
[0013]关联模块，用于利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比，并基于所述交并比进行数据关联；
[0014]重识别模块，用于对未关联轨迹中丢失目标以及未关联检测进行特征提取，以及对所提取的特征点进行特征匹配，构建重识别矩阵，然后将所述重识别矩阵中相似度大于预设门限值的检测分配至相应轨迹，并为所分配的轨迹更新状态。
[0015]为实现上述目的，本专利技术实施例第三方面提供了一种电子装置，该电子装置包括：
处理器、存储器和通信总线；
[0016]所述通信总线用于实现所述处理器和存储器之间的连接通信；
[0017]所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述任意一种目标跟踪方法的步骤。
[0018]为实现上述目的，本专利技术实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种目标跟踪方法的步骤。
[0019]根据本专利技术实施例提供的目标跟踪方法、装置及计算机可读存储介质，通过预设车辆目标检测模型获取车辆目标检测结果；采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测；利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比，并基于交并比进行数据关联；对未关联轨迹中丢失目标以及未关联检测进行特征提取以及特征匹配，构建重识别矩阵，然后将重识别矩阵中相似度大于预设门限值的检测分配至相应轨迹，并为所分配的轨迹更新状态。通过本专利技术的实施，对暂时丢失的车辆目标进行持续状态估计，并支持对丢失目标进行重识别，提升了目标跟踪精度，此外，跟踪结构简单，可有效满足跟踪实时性的要求。
[0020]本专利技术其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本专利技术说明书中的记载变的显而易见。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1为本专利技术第一实施例提供的目标跟踪方法的流程示意图；
[0023]图2为本专利技术第一实施例提供的一种轨迹交叠示意图；
[0024]图3为本专利技术第一实施例提供的一种实际跟踪场景的示意图；
[0025]图4为本专利技术第一实施例提供的一种匀速卡尔曼滤波长时间未更新的误差示意图；
[0026]图5为本专利技术第一实施例提供的一种FAST角点特征提取的示意图；
[0027]图6为本专利技术第二实施例提供的目标跟踪装置的程序模块示意图；
[0028]图7为本专利技术第三实施例提供的电子装置的结构示意图。
具体实施方式
[0029]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]第一实施例：
[0031]为了解决相关技术中所提供的目标跟踪方法的跟踪精度较低、跟踪实时性较差的
问题，本实施例提出了一种目标跟踪方法，如图1所示为本实施例提供的目标跟踪方法的流程示意图，本实施例提出的目标跟踪方法包括以下的步骤：
[0032]步骤101、通过预设车辆目标检测模型获取车辆目标检测结果。
[0033]由于相关技术中提供的二阶段检测器的检测速度难以在低算力设备上满足实时性的要求，出于实际考虑的同时为了验证本文提出的快速多目标跟踪方法的鲁棒性，本实施例采用基于COCO数据集预训练的默认参数的YOLOX
‑
tiny模型，且未对应用场景做任何检测上的优化。另外，本实施例的应用场景为交通视频监控中的车辆目标跟踪，默认忽略检测到的其他类别的目标，仅输出置信度大于预设阈值例如0.4的车辆目标检测结果至跟踪框架中。
[0034]应当说明的是，在本实施例中，针对网络输出的检测结果，可以先对其进行预处理，例如非极大值抑制处理以及阈值处理，然后将处理后的检测结果输入快速多目标跟踪器，判断轨迹是否丢失目标，若否，则将连续更新的目标轨迹输入至单目标跟踪器，若是，则继续判断是否连续t帧丢失，若否，则将与当前帧任意检测均未关联成功的目标轨迹输入至单目标跟踪器，若是，则删除轨迹。
[0035]步骤102、采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测。
[0036本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：通过预设车辆目标检测模型获取车辆目标检测结果；采用单目标跟踪器对连续更新的目标轨迹以及与当前帧任意检测均未关联成功的目标轨迹进行运动预测；利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比，并基于所述交并比进行数据关联；对未关联轨迹中丢失目标以及未关联检测进行特征提取，以及对所提取的特征点进行特征匹配，构建重识别矩阵，然后将所述重识别矩阵中相似度大于预设门限值的检测分配至相应轨迹，并为所分配的轨迹更新状态。2.如权利要求1所述的目标跟踪方法，其特征在于，所述单目标跟踪器的表达式表示为：其中，与分别表示第t帧与第t+1帧中用于数据关联的状态向量，表示关联成功的轨迹使用运动检测更新得到的最优估计，D
t
表示第t帧所有的检测，δ表示关联阈值，κ(
·
)表示对目标下一时刻的状态估计，表示第t帧的状态目标框P
t
与第i个检测D
it
之间的距离。3.如权利要求2所述的目标跟踪方法，其特征在于，所述利用基于交并比的数据关联模型计算预测结果与当前所有检测之间的交并比的步骤之前，还包括：若连续的轨迹与检测成功关联或所述单目标跟踪器持续预测过程中成功与重新出现的检测关联，则使用观测值对状态最优估计进行更新；所述状态最优估计的更新公式表示为：其中，K
t
表示卡尔曼增益系数，H
t
为状态转移矩阵。4.如权利要求1所述的目标跟踪方法，其特征在于，所述数据关联模型的表达式表示为：其中，EY
‑
IoU表示交并比，γ表示两个目标框在Y轴方向上的重叠长度与两个目标框中值较大的高的比值，(1
‑
γ+γ2)表示两个目标框的高度，w1×
h1和w2×
h2分别表示两个目标框的面积，w
i
×
h
i
表示两个目标框相交形成的交集的面积。5.如权利要求4所述的目标跟踪方法，其特征在于，所述基于所述交并比进行数据关联的步骤，包括：将所有所述交并比构建的第一关联成本矩阵中，所述交并比小于交并比阈值的值置为零，得到第二关联成本矩阵；所述第一关联成本矩阵表示为：
所述第二关联成本矩阵表示为：将所述第二关联成本矩阵作为线性分配问题，基于匈牙利算法对所述线性分配问题计算最优解，以进行数据关联。6.如权利要求1至5中任意一项所述的目标跟踪方法，其特征在于，特征提取公式表示为：为：θ＝arct...
【专利技术属性】
技术研发人员：李良群，何庆佑，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
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。