一种改进DeepSort算法的姿态跟踪方法及系统技术方案

本发明专利技术公开了一种改进DeepSort算法的姿态跟踪方法及系统，涉及计算机视觉技术领域。步骤为：获取待检测图像；利用YOLOX模型对待检测图像进行目标检测得到候选框并通过非极大值抑制算法筛选得到检测框；根据上一帧的结果，利用kalman滤波预测当前帧的目标区域；计算检测框和预测目标区域之间的马氏距离、表观余弦距离和姿态余弦距离，使用匈牙利算法和级联匹配对比前后两帧间目标的相似程度进行目标匹配，得到跟踪结果；通过目标的姿态信息对跟踪结果进行修正。本发明专利技术对DeepSORT算法进行优化，人体跟踪和姿态信息提取更精确，解决了由于目标外观相似以及目标区域不准确导致的目标跟踪效果不佳的问题。目标跟踪效果不佳的问题。目标跟踪效果不佳的问题。

【技术实现步骤摘要】
一种改进DeepSort算法的姿态跟踪方法及系统


[0001]本专利技术涉及计算机视觉
，更具体的说是涉及一种改进DeepSort算法的姿态跟踪方法及系统。

技术介绍

[0002]消防队伍是承担灭火救援等急难险重任务的特殊队伍，承担着防范化解重大安全风险、应对处置各类灾害事故的重要职责，同时消防救援队伍的日常训练则是提升队伍战斗力的重要途径。目前，消防员姿态跟踪的方法主要包括传感器跟踪法、电磁跟踪法、声源跟踪法等，大多通过可穿戴的传感器来获取消防员的姿态信息，从而进行消防员姿态跟踪，但是由于消防救援和训练的动作强度大，可穿戴设备的损坏率较高，导致制作、维护成本增加，不能很好的满足消防救援训练的开展条件。随着视频监控技术的飞速发展，通过监控视频对消防救援和训练进行监控和分析具有便利、高效的优点，目标跟踪和人体姿态估计则是利用视频对消防救援和训练进行分析的关键技术，卷积神经网络被逐渐应用在人体姿态估计的研究中，使用卷积神经网络进行人体姿态信息提取的方法已经十分成熟。
[0003]在多目标跟踪算法方面，现有技术通过提取目标的特征，利用滤波算法和匹配算法对连续帧的目标进行关联匹配，但是对于外观相似的目标，普通的表观特征提取不能达到很好的效果，并且目标窗口的位置和大小完全取决于目标检测器，不利于跟踪后的进一步处理。DeepSORT算法在目标跟踪方面具有优秀的性能，在行人跟踪和车辆跟踪等领域取得了不错的效果，但是针对消防员姿态跟踪任务存在以下问题：
[0004](1)利用外观特征进行目标关联在行人跟踪，车辆跟踪任务中表现优异，但直接应用于消防员跟踪领域有局限性。消防员在消防救援和训练中往往着装统一，外观特征有相似性，使得不同目标间的表观特征距离较近，导致目标关联效果不佳。
[0005](2)算法将目标检测器得到的检测框作为目标区域，导致目标位置信息的有效性严重依赖目标检测器的质量，以往的多目标跟踪任务对目标的位置的准确度要求不高，但是这样的方法迁移到消防员姿态跟踪的任务中会存在严重问题，目标区域不准确会让后续的姿态估计任务难以进行。因此，如何克服上述缺陷更加精确的进行消防员跟踪和姿态信息提取，对本领域技术人员来说是亟待解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种改进DeepSort算法的姿态跟踪方法及系统，以解决
技术介绍
中提出的问题。
[0007]为了实现上述目的，本专利技术采用如下技术方案：一种改进DeepSort算法的消防员姿态跟踪方法，具体步骤包括如下：
[0008]获取待检测图像；
[0009]利用YOLOX模型对所述待检测图像进行目标检测得到候选框并通过非极大值抑制算法筛选得到检测框；
[0010]根据上一帧的结果，利用kalman滤波预测当前帧的目标区域；
[0011]计算所述检测框和预测目标区域之间的马氏距离、表观余弦距离和姿态余弦距离，使用匈牙利算法和级联匹配对比前后两帧间目标的相似程度进行目标匹配，得到跟踪结果；
[0012]通过目标的姿态信息对所述跟踪结果进行修正，利用修正结果对所述YOLOX模型的参数和kalman滤波进行更新。
[0013]通过采用上述技术方案，具有以下有益的技术效果：目标检测器的精度对目标跟踪性能有极大的影响，为得到精度较高的消防员检测器，本专利技术选择YOLOX作为目标检测模型。由于传统的Anchor
‑
based方式存在通用性差和模型复杂的问题，YOLOX采用Anchor
‑
free确定先验框，减少了参数，使检测速度快，且准确率更高。
[0014]可选的，通过BlazePose姿态估计器提取目标的姿态信息，并利用所述姿态信息对目标进行姿态特征关联，具体是通过BlazePose得到人体的关键点数据，对所述关键点数据进行预处理得到目标的姿态特征向量，通过计算所述姿态特征向量间的余弦距离来确定目标关联度；最后结合马氏距离和表观特征余弦距离，设置权重系数，对三种度量方式进行线性加权，然后构建距离矩阵，进行目标匹配。
[0015]通过采用上述技术方案，具有以下有益的技术效果：加入BlazePose姿态估计器提取目标的姿态信息，并利用姿态信息对目标进行姿态特征关联，解决目标外观相似的问题，可以更好的提取目标的外观特征进行有效的目标关联。
[0016]可选的，通过目标的姿态信息对所述跟踪结果进行修正的具体步骤为：
[0017]利用人体的所述关键点数据得到人体的最小区域；
[0018]将所述最小区域作为目标区域的修正阈值，根据所述修正阈值对目标框进行修正，公式为：
[0019]pose
(x,y,w,h)
＝ε(x
min
,y
min
,x
max
‑
x
min
,y
max
‑
y
min
)；
[0020]T
(x,y,w,h)
＝f(box
(x,y,w,h)
,pose
(x,y,w,h)
)；
[0021]其中，x
max
，y
max
，x
min
，y
min
分别是人体关键点的x坐标最大值，y坐标最大值，x坐标最小值，y坐标最小值；pose
(x,y,w,h)
是根据姿态信息得到的目标区域，box
(x,y,w,h)
是YOLOX模型得到的目标区域。
[0022]通过采用上述技术方案，具有以下有益的技术效果：DeepSORT算法得到的目标区域难以适应人体姿态估计任务，为得到更加精确的目标区域，本专利技术提出了目标区域的修正算法。由于姿态估计器得到人体关键点能有效的反映出目标的位置信息，且连续帧的人体姿态具有很强的相似性，因此利用上一帧的人体姿态信息对当前帧检测器得到的目标框进行修正，可以得到质量更好的目标区域从而改善人体关键点提取的效果。
[0023]可选的，所述YOLOX模型的主干网络使用CSPDarknet53，输出由大到小三种尺度的特征图，并在所述YOLOX模型中加入解耦头将分类、回归两个任务分开预测。
[0024]可选的，通过计算所述姿态特征向量间的余弦距离来确定目标关联度：
[0025]p＝(x1,y1,x2,y2,...,x
j
,y
j
)；
[0026][0027]其中，P
j
为第j个目标的姿态特征向量，P
(i)
为第i个跟踪器储存的姿态特征向量，x
i
,y
i
为人体关键点坐标。
[0028]另一方面，提供一种改进DeepSort算法的消防员姿态跟踪系统，利用所述的一种改进DeepSort算法的消防员姿态跟踪方法进行姿态跟踪，包括图像获取模块、目标检测模块、预测模块、匹配模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进DeepSort算法的消防员姿态跟踪方法，其特征在于，具体步骤包括如下：获取待检测图像；利用YOLOX模型对所述待检测图像进行目标检测得到候选框并通过非极大值抑制算法筛选得到检测框；根据上一帧的结果，利用kalman滤波预测当前帧的目标区域；计算所述检测框和预测目标区域之间的马氏距离、表观余弦距离和姿态余弦距离，使用匈牙利算法和级联匹配对比前后两帧间目标的相似程度进行目标匹配，得到跟踪结果；通过目标的姿态信息对所述跟踪结果进行修正，利用修正结果对所述YOLOX模型的参数和kalman滤波进行更新。2.根据权利要求1所述的一种改进DeepSort算法的消防员姿态跟踪方法，其特征在于，通过BlazePose姿态估计器提取目标的姿态信息，并利用所述姿态信息对目标进行姿态特征关联，具体是通过BlazePose得到人体的关键点数据，对所述关键点数据进行预处理得到目标的姿态特征向量，通过计算所述姿态特征向量间的余弦距离来确定目标关联度；最后结合马氏距离和表观特征余弦距离，设置权重系数，对三种度量方式进行线性加权，然后构建距离矩阵，进行目标匹配。3.根据权利要求2所述的一种改进DeepSort算法的消防员姿态跟踪方法，其特征在于，通过目标的姿态信息对所述跟踪结果进行修正的具体步骤为：利用人体的所述关键点数据得到人体的最小区域；将所述最小区域作为目标区域的修正阈值，根据所述修正阈值对目标框进行修正，公式为：pose
(x,y,w,h)
＝ε(x
min
,y
min
,x
max
‑
x
min
,y
max
‑
y
min
)；T
(x,y,w,h)
＝f(box
(x,y,w,h)
,pose
(x,y,w,h)
)；其中，x
max
，y
max
，x
min
...

【专利技术属性】
技术研发人员：胡永志，孙红霞，刘友根，
申请(专利权)人：成都全景星科科技有限公司，
类型：发明
国别省市：