【技术实现步骤摘要】
用于目标跟踪的方法、装置、设备及存储介质
[0001]本申请涉及目标跟踪
,尤其涉及一种用于目标跟踪的方法、装置、设备及存储介质
技术介绍
[0002]目前的智能感知方案主要包括两个模块:基于深度学习的多目标检测模块和多目标跟踪模块。由于多目标跟踪模块的输入为多目标检测模块输出的检测位置,所以跟踪精度很大程度上依赖多目标检测模块的精度。当一套智能感知系统应用的新的场景时,可用在新场景下采集训练样本对多目标检测模块进行及时训练,从而使得多目标检测模块及时适应新的场景。
[0003]而多目标跟踪模块的适用问题常常被忽略。一些经典和新发布的多目标跟踪算法例如SORT、DeepSORT、AB3DMOT、EagerMOT、ByteTrack等均是通过手动调整算法参数来适应新的场景。
[0004]但是,多目标跟踪算法中需要调整的参数数量较多,通过手动调整算法参数来适应新的场景的方案效率较低,难以取得理想的效果。
技术实现思路
[0005]基于上述技术问题,本申请提供一种用于目标跟踪的方法、装置、设备及存储介质,可以利用检测精度DetA和关联精度AssA的几何平均值得到的三维优化指标作为网格搜索算法的优化指标,利用网格搜索算法按照该优化指标对初始跟踪模块进行优化,以实现对新场景的自动适应。
[0006]第一方面,本申请提供一种用于目标跟踪的方法,该方法包括:利用初始跟踪模块对验证样本集进行预测,得到验证样本集中验证对象的参考轨迹;参考轨迹包括多个参考位置框;验证样本集包括多个验证样本, ...
【技术保护点】
【技术特征摘要】
1.一种用于目标跟踪的方法,其特征在于,所述方法包括:利用初始跟踪模块对验证样本集进行预测,得到所述验证样本集中验证对象的参考轨迹;所述参考轨迹包括多个参考位置框;所述验证样本集包括多个验证样本;每个所述验证样本包括所述验证对象的一帧图像或点云、以及所述图像或点云中所述验证对象的真值位置框;所述多个验证样本中多帧图像或点云中的所述验证对象的真值位置框组成所述验证对象的真值轨迹;基于所述真值轨迹中的多个真值位置框和所述参考轨迹中的多个参考位置框,确定所述初始跟踪模块的检测精度DetA和关联精度AssA;基于所述初始跟踪模块的DetA和AssA的几何平均值,确定预设网格搜索算法的优化指标;对所述初始跟踪模块按照所述预设网格搜索算法和所述优化指标进行优化,得到优化后的目标跟踪模块。2.根据权利要求1所述的方法,所述基于所述初始跟踪模块的DetA和AssA的几何平均值,确定预设网格搜索算法的优化指标,包括:在初始定位阈值下,基于所述真值轨迹中的多个真值位置框和所述参考轨迹中的多个参考位置框,确定一组所述初始跟踪模块的DetA和AssA;基于在所述初始定位阈值下确定的一组所述初始跟踪模块的DetA和AssA的几何平均值,确定在所述初始定位阈值下的优化指标;每次将所述初始定位阈值增加或减少预设的阈值步长,得到多个定位阈值;在所述多个定位阈值中的每个定位阈值下,基于所述真值轨迹中的多个真值位置框和所述参考轨迹中的多个参考位置框,确定与所述每个定位阈值各自对应的一组所述初始跟踪模块的DetA和AssA;基于在所述多个定位阈值中的每个定位阈值下确定的与所述每个定位阈值各自对应的一组所述初始跟踪模块的DetA和AssA的几何平均值,确定所述每个定位阈值下的优化指标;基于在所述初始定位阈值下的优化指标、以及在所述每个定位阈值下的优化指标的平均值,确定所述预设网格搜索算法的优化指标。3.根据权利要求2所述的方法,其特征在于,针对第一定位阈值下的所述初始跟踪模块的DetA,所述第一定位阈值为所述多个定位阈值中的任意一个定位阈值,所述在所述多个定位阈值中的每个定位阈值下,基于所述真值轨迹中的多个真值位置框和所述参考轨迹中的多个参考位置框,确定与所述每个定位阈值各自对应的一组所述初始跟踪模块的DetA和AssA,包括:计算所述多个参考位置框中的每个参考位置框与所述多个真值位置框中的每个真值位置框之间的交并比,得到交并比矩阵;对所述交并比矩阵中的交并比利用匈牙利算法进行匹配,得到第一列表、第二列表、以及第三列表;所述第一列表为利用匈牙利算法进行匹配后,一对一匹配的参考位置框和真值位置框;所述第二列表为利用所述匈牙利算法进行匹配后,无匹配的参考位置框;所述第三列表为利用所述匈牙利算法进行匹配后,无匹配的真值位置框;根据所述第一定位阈值,确定出所述第一列表中交并比小于所述第一定位阈值的参考
位置框和真值位置框并删除;将所述第一列表中交并比小于所述第一定位阈值的参考位置框和真值位置框中的参考位置框加入所述第二列表;将所述第一列表中交并比小于所述第一定位阈值的参考位置框和真值位置框中的真值位置框加入所述第三列表;基于在所述第一定位阈值下真阳性的参考位置框的数量和第一数量的比值,确定所述第一定位阈值下的所述初始跟踪模块的DetA;所述在所述第一定位阈值下真阳性的参考位置框为所述第一列表中的参考位置框;所述第一数量为在所述第一定位阈值下真阳性的参考位置框的数量、在所述第一定位阈值下假阳性的参考位置框的数量、以及在所述第一定位阈值下假阴性的真值位置框的数量之和;所述在所述第一定位阈值下假阳性的参考位置框为所述第二列表中的参考位置框;所述在所述第一定位阈值下假阴性的真值位置框为所述第三列表中的真值位置框。4.根据权利要求2所述的方法,其特征在于,针对第一定位阈值下的所述初始跟踪模块的AssA,所述第一定位阈值为所述多个定位阈值中的任意一个定位阈值,所述在所述多个定位阈值中的每个定位阈值下,基于所述真值轨迹中的多个真值位置框和所述参考轨迹中的多个参考位置框,确定与所述每个定位阈值各自对应的一组所述初始跟踪模块的DetA和AssA,包括:计算所述多个参考位置框中的每个参考位置框与所述多个真值位置框中的每个真值位置框之间的交并比,得到交并比矩阵;对所述交并比矩阵中的交并比利用匈牙利算法进行匹配,得到第一列表;所述第一列表为利用匈牙利算法进行匹配后,一对一匹配的...
【专利技术属性】
技术研发人员:高思聪,梁爽,
申请(专利权)人:北京超星未来科技有限公司,
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。