基于深度路径聚合网络的多目标跟踪方法及系统技术方案

本发明专利技术公开了基于深度路径聚合网络的多目标跟踪方法及系统。以深度路径聚合网络为框架，首先输入大量外部视频数据训练网络以生成目标中心热图、目标中心偏移量、预测框大小，同时提取目标的re

【技术实现步骤摘要】
基于深度路径聚合网络的多目标跟踪方法及系统


[0001]本专利技术属于计算机视觉、深度学习技术、多目标跟踪领域，尤其涉及一种基于深度路径聚合网络的多目标跟踪方法及系统。

技术介绍

[0002]多目标跟踪是计算机视觉中热门的研究领域，在自动驾驶、智慧交通、智能监控等领域都有重要的应用。随着人工智能的飞快发展，越来越多的深度学习算法应用到生活中的方方面面。在单目标跟踪中，对象的外观特征是预先知道的。而在多目标跟踪中，跟踪器需要估计视频中多个目标的轨迹，并且检测离开或进入视频场景的目标。视频中的多个对象可能会相互遮挡或者具有相似的外观，光照、天气和视频质量等外部环境因素也可能会使跟踪器难以实现跟踪。在多目标跟踪领域中基于深度学习的跟踪器性能比较良好的包括JDE、FairMOT等，但它们通常不能在跟踪精度和跟踪速度上达到很好的平衡。并且并没有进一步的提取目标空间特征信息，从而不能很好的推断出目标的精确位置。

技术实现思路

[0003]本专利技术目的在于提供一种基于深度路径聚合网络的多目标跟踪方法及系统,以解决现有的基于深度学习的跟踪器不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度路径聚合网络的多目标跟踪方法，其特征在于，包括以下步骤：步骤1、数据预处理步骤：针对训练集的每一段视频中的每一帧图像，对其使用旋转、缩放和颜色抖动来进行数据增强，得到网络的输入数据集；步骤2、构建深度路径聚合网络，包括如下子步骤：步骤2.1、设计深度路径聚合网络的网络结构；步骤2.2、构建训练样本，从输入数据集中选取图像，输入到深度路径聚合网络中作为网络的输入；步骤2.3、设计误差函数进行反向传播，优化网络的参数，直至收敛；步骤3、在视频中针对每个被检测的物体进行多目标跟踪：基于训练好的深度路径聚合网络提取目标的检测区域和re
‑
ID特征，计算视频某一帧及前一帧中每个目标的re
‑
ID特征的余弦距离和检测框的IoU，使用卡尔曼滤波器进行跟踪预测，得到目标在当前帧中的位置。2.根据权利要求1所述的基于深度路径聚合网络的多目标跟踪方法，其特征在于，所述步骤1中数据预处理步骤具体如下：针对训练集的每一段视频中的每一帧图像，随机选取
‑
10至10的角度进行旋转，随后进行比例为4的图像缩放操作，最后增加0.5倍的图像颜色深度和图像亮度，得到网络的输入数据集。3.根据权利要求1所述的基于深度路径聚合网络的多目标跟踪方法，其特征在于，所述步骤2.1中设计深度路径聚合网络的网络结构，具体包括以下步骤：步骤201、基于DLA网络，在最后阶段增加自上而下的三个特征图层，用来对DLA网络的输出特征图进行下采样以及聚合操作，从而得到三个不同分辨率大小的特征图；步骤202、针对输出的三个不同分辨率大小的特征图，对其中两个中小分辨率特征图与另一个大分辨率特征图进行多尺度聚合得到一个高分辨率特征图表示。4.根据权利要求3所述的基于深度路径聚合网络的多目标跟踪方法，其特征在于，所述步骤2.2中构建训练样本，具体包括以下步骤：从输入数据集中选取4张图像，输入到深度路径聚合网络中。5.根据权利要求4所述的基于深度路径聚合网络的多目标跟踪方法，其特征在于，所述步骤2.3中设计误差函数进行反向传播，优化网络的参数，直至收敛，具体为：使用FocalLoss损失函数计算图像中每一个目标的中心热图，L1 Loss损失函数计算图像中每一个目标的中心偏移量、预测框大小，ID Loss损失函数计算图像中每一个目标的re
‑
ID嵌入的损失值；然后，针对这三种损失值赋予相应的权重值组建为一个总损失值；经过训练后得到图像中每一个目标的中心位置、预测框大小以及re
‑
ID特征；总损失值为：L
detection
＝L
he...

【专利技术属性】
技术研发人员：张毅锋，陈曦，
申请(专利权)人：东南大学，
类型：发明
国别省市：