【技术实现步骤摘要】
一种基于修正DeepSORT的多传感目标群智跟踪方法
[0001]本专利技术属于目标跟踪和计算机视觉领域,具体涉及一种基于修正DeepSORT的多传感目标群智跟踪方法。
技术介绍
[0002]多视觉行人追踪算法是利用多个摄像头实时获取场景中的视频流,并对行人进行自动检测、跟踪和识别,从而实现对行人的智能安全监控。这种算法可以提高城市安全管理效率,减少安全隐患和事故发生率,增强城市安全防范能力。在当代生活中,多视觉行人追踪算法已经广泛应用于公共场所的安全监控、智能交通系统、社区安保等领域。例如,商场、地铁站、机场等公共场所利用多视觉行人追踪算法进行行人监控,可以及时发现人员聚集、拥堵等安全隐患。此外,多视觉行人追踪算法还可以应用于交通领域,帮助交通管理部门实现交通流量监测、拥堵疏导、交通事故预警等功能,提高城市交通运输的效率和安全性。
[0003]多视觉行人追踪算法可以同时利用多个摄像头进行监控,从而提高监控效率。它可以将多个摄像头拍摄的视频流进行集成,并自动分析和跟踪行人的运动轨迹,减少人工干预的需求,降低监控成本,也可以使用深度学习等技术来提高行人检测和跟踪的精度,从而有效地避免漏报和误报。
[0004]传统的DeepSORT算法采用的是恒速线性卡尔曼滤波,对于匀速运动或者速度变化不大的目标状态预测是比较准确的,当目标突然加速或者突然停顿时,恒速线性卡尔曼滤波的预测效果会有影响,出现目标追踪失败的现象。
技术实现思路
[0005]专利技术目的:为了解决上述现有技术存在的问题,本专利技 ...
【技术保护点】
【技术特征摘要】
1.一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,该方法通过多个摄像头对任务区域进行目标跟踪,具体包括如下步骤:步骤1:利用各摄像头实时获取任务区域的监控视频;步骤2,采用基于匈牙利算法的匹配方法,获得摄像头之间当前视频帧的匹配目标并赋予身份ID;步骤3,针对每个摄像头,分别利用DeepSORT方法对当前视频帧中分配身份ID的目标进行跟踪,直至目标跟踪任务结束。2.根据权利要求1所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,所述步骤2具体为:步骤2.1:使用YOLOv5对各摄像头获取的当前图像帧分别进行目标检测,获取各图像帧中的目标信息;步骤2.2:将步骤2.1获取的目标信息分别输入到ResNet残差网络,提取目标的外观特征;步骤2.3:根据摄像头的帧率和步骤2.1获取的目标信息,获取目标的空间运动特征;步骤2.4:将步骤2.2中目标的外观特征和步骤2.3中目标的空间运动特征进行拼接,形成目标的自适应融合特征;步骤2.5:利用步骤2.4中目标的自适应融合特征,计算马氏距离和代价矩阵;步骤2.6:利用匈牙利算法进行摄像头之间同时刻的目标匹配,获得摄像头之间当前视频帧的匹配目标并赋予身份ID。3.根据权利要求2所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,所述步骤2.4中目标的自适应融合特征定义如下:其中,ψ表示设定权重,表示向量的维度拼接运算符,MT
l
为目标l的空间运动特征,R
l
为目标l的外观特征。4.根据权利要求2所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,所述设定权重ψ的表达式如下:其中,表示目标l距离摄像头视野中心点的距离。5.根据权利要求2所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,所述步骤2.5中马氏距离的表达式如下:其中,为t时刻摄像头p下第l个目标p
l
的自适应融合特征和摄像头q下第f个目标q
f
的自适应融合特征的马氏距离;为与之间的协方差矩阵。6.根据权利要求5所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征
在于,所述步骤2.5中代价矩阵的表达式如下:其中,H(p,q)为t时刻摄像头p和摄像头q的代价矩阵,l∈{1,
…
,H
p
},f∈{1,
…
,H
q
},H
p
是t时刻摄像头p下目标数,H
q
为t时刻摄像头q下目标数。7.根据权利要求1所述的一种基于修正DeepSORT的多传感目标群智跟踪方法,其特征在于,所述步骤3的DeepSORT方法中利用最小二乘法拟合加速度预测曲线,进而修正卡尔曼滤波的输入状态检测值,具体包括:C1:获取摄像头在时刻t
k
所获取图像帧的卡尔曼滤波输入状态的检测值:MT
k
=(x
k
,y
k
,w
k
,h
k
,v
xk
,v
yk
,v
wk
,v
hk
)
T
其中,x
k
,y
k
分别表示图像帧中目标检测框的中心点横坐标与纵坐标,w
k
,h
k
...
【专利技术属性】
技术研发人员:张晖,王呈呈,赵海涛,朱洪波,
申请(专利权)人:南京邮电大学,
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。