本发明专利技术涉及一种街景车辆目标跟踪方法及装置。本发明专利技术首先获取街景车辆视频；然后采用strongsort目标检测器对每一视频帧图像进行目标检测；设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度阈值对strongsort目标检测器的检测目标进行筛选；将当前视频帧图像中置信度大于低置信度阈值的检测目标与上一帧中的跟踪目标进行iou运算得到，并对满足条件的检测目标与上一帧的跟踪目标进行匹配；将匹配结果与利用高置信度阈值筛选的检测目标进行融合输出，得到当前视频帧图像的跟踪目标。通过本发明专利技术可以很大程度减少算法存在的漏跟踪和误跟踪问题，提高检测精度。提高检测精度。提高检测精度。
【技术实现步骤摘要】
一种街景车辆目标跟踪方法及装置
[0001]本专利技术涉及图像处理
，具体涉及一种基于改进strongsort的动态置信度阈值街景车辆目标跟踪方法及装置。
技术介绍
[0002]近年来，随着智能驾驶技术的迅速发展，街景车辆目标跟踪取得了长足的发展。由于街景视频的成像质量模糊、小尺寸目标较多、目标遮挡严重，使得对街景视频的目标跟踪存在大量困难。
[0003]当前街景目标跟踪，主要采取深度学习的方法，deepsort、bytetrack、strongsort等深度学习目标跟踪算法，在多目标跟踪领域技术比较成熟、应用比较广泛，其中strongsort的检测效果是目前最优的算法。但是strongsort算法还是存在漏跟踪和误跟踪问题。
技术实现思路
[0004]本专利技术针对现有技术中存在的技术问题，提供一种基于改进strongsort的动态置信度阈值街景车辆目标跟踪方法及装置，很大程度减少了算法存在的漏跟踪和误跟踪问题，提高了检测精度。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]第一方面，本专利技术提供一种街景车辆目标跟踪方法，包括：
[0007]获取街景车辆视频；
[0008]采用strongsort目标检测器对每一视频帧图像进行目标检测；
[0009]设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度阈值对strongsort目标检测器的检测目标进行筛选；
[0010]将当前视频帧图像中置信度大于低置信度阈值的检测目标与上一帧中的跟踪目标进行iou运算得到l
iou
，并对满足下式的检测目标与上一帧的跟踪目标进行匹配；
[0011]‑
ln(1
‑
0.8
×
l
iou
)
‑
ln(1
‑
score)≥1.2
[0012]其中score为当前视频帧图像中的检测目标的置信度；
[0013]将匹配结果与利用高置信度阈值筛选的检测目标进行融合输出，得到当前视频帧图像的跟踪目标。
[0014]进一步的，所述strongsort目标检测器的损失函数为混合阿尔法iou，模型训练时采用对抗样本增强，且模型结构中包含transformer结构。
[0015]进一步的，所述的匹配包括：利用卡尔曼滤波和匈牙利算法对跟踪目标进行更新、预测、匹配。
[0016]进一步的，所述的融合输出，包括：
[0017]将匹配结果与利用高置信度阈值筛选的检测目标进行iou运算和RE
‑
ID运算，对所述跟踪目标和所述检测目标去重后合并输出。
[0018]第二方面，本专利技术还提供一种街景车辆目标跟踪装置，包括：
[0019]输入模块，获取街景车辆视频；
[0020]目标检测模块，采用strongsort目标检测器对每一视频帧图像进行目标检测；
[0021]筛选模块，设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度阈值对strongsort目标检测器的检测目标进行筛选；
[0022]匹配模块，将当前视频帧图像中置信度大于低置信度阈值的检测目标与上一帧中的跟踪目标进行iou运算得到l
iou
，并对满足下式的检测目标与上一帧的跟踪目标进行匹配；
[0023]‑
ln(1
‑
0.8
×
l
iou
)
‑
ln(1
‑
score)≥1.2
[0024]其中score为当前视频帧图像中的检测目标的置信度；
[0025]融合模块，将匹配结果与利用高置信度阈值筛选的检测目标进行融合输出，得到当前视频帧图像的跟踪目标。
[0026]进一步的，所述strongsort目标检测器的损失函数为混合阿尔法iou，模型训练时采用对抗样本增强，且模型结构中包含transformer结构。
[0027]进一步的，所述的匹配包括：利用卡尔曼滤波和匈牙利算法对跟踪目标进行更新、预测、匹配。
[0028]进一步的，所述的融合输出，包括：将匹配结果与利用高置信度阈值筛选的检测目标进行iou运算和RE
‑
ID运算，对所述跟踪目标和所述检测目标去重后合并输出。
[0029]第三方面，本专利技术提供一种电子设备，包括：
[0030]存储器，用于存储计算机软件程序；
[0031]处理器，用于读取并执行所述计算机软件程序，进而实现本专利技术第一方面所述的一种街景车辆目标跟踪方法。
[0032]第四方面，本专利技术提供一种非暂态计算机可读存储介质，所述存储介质中存储有用于实现本专利技术第一方面所述的一种街景车辆目标跟踪方法的计算机软件程序。
[0033]本专利技术的有益效果是：针对strongsort目标检测器检测不佳的问题，本专利对原有的目标检测器的iou损失改为混合阿尔法iou，在数据预处理中加入对抗样本增强，在模型结构中加入最新的transformer结构，提升基础的检测能力。
[0034]strongsort存在的漏跟踪和误跟踪的问题，很大程度与算法的目标检测器的置信度阈值有关。当置信度阈值过大时，会有部分目标漏检；当置信度阈值过小时，会有部分目标误检。而目标检测器的漏检和误检直接影响跟踪器的性能。针对此问题，本专利经过大量的数据实验，发现现有目标检测器在置信度高于一定阈值时基本无误检，在置信度低于一定阈值时基本无漏检。因此动态置信度阈值策略的引入，很大程度解决了跟踪器误跟踪和漏跟踪的问题。
附图说明
[0035]图1为本专利技术实施例提供的一种街景车辆目标跟踪方法流程示意图；
[0036]图2为本专利技术实施例提供的一种街景车辆目标跟踪装置结构示意图；
[0037]图3为本专利技术实施例提供的电子设备的实施例示意图；
[0038]图4为本专利技术实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
[0039]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0040]图1为本专利技术实施例提供的一种街景车辆目标跟踪方法流程示意图，如图1所示，该方法，包括：
[0041]S1，获取街景车辆视频；
[0042]S2，采用strongsort目标检测器对每一视频帧图像进行目标检测；
[0043]S3，设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度阈值对strongsort目标检测器的检测目标进行筛选；
[0044]S4，将当前视频帧图像中置信度大于低置信度阈值的检测目标与上一帧中的跟踪目标进行iou运算得到l
iou
，并对满足下式的检测目标与上一帧的跟踪目标进行匹配；
[0045]‑
ln(1
‑
0.8<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种街景车辆目标跟踪方法，其特征在于，包括：获取街景车辆视频；采用strongsort目标检测器对每一视频帧图像进行目标检测；设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度阈值对strongsort目标检测器的检测目标进行筛选；将当前视频帧图像中置信度大于低置信度阈值的检测目标与上一帧中的跟踪目标进行iou运算得到l
iou
，并对满足下式的检测目标与上一帧的跟踪目标进行匹配；
‑
ln(1
‑
0.8
×
l
iou
)
‑
ln(1
‑
score)≥1.2其中score为当前视频帧图像中的检测目标的置信度；将匹配结果与利用高置信度阈值筛选的检测目标进行融合输出，得到当前视频帧图像的跟踪目标。2.根据权利要求1所述的方法，其特征在于，所述strongsort目标检测器的损失函数为混合阿尔法iou，模型训练时采用对抗样本增强，且模型结构中包含transformer结构。3.根据权利要求1所述的方法，其特征在于，所述的匹配包括：利用卡尔曼滤波和匈牙利算法对跟踪目标进行更新、预测、匹配。4.根据权利要求1所述的方法，其特征在于，所述的融合输出，包括：将匹配结果与利用高置信度阈值筛选的检测目标进行iou运算和RE
‑
ID运算，对所述跟踪目标和所述检测目标去重后合并输出。5.一种街景车辆目标跟踪装置，其特征在于，包括：输入模块，获取街景车辆视频；目标检测模块，采用strongsort目标检测器对每一视频帧图像进行目标检测；筛选模块，设定高置信度阈值和低置信度阈值，利用所述高置信度阈值和低置信度...
【专利技术属性】
技术研发人员：李森林，陈治，
申请(专利权)人：武汉光庭信息技术股份有限公司，
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。