System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及人群追踪,具体地,涉及一种基于深度学习的风险人群追踪方法、系统及介质。
技术介绍
1、
2、
3、在基于检测追踪范式的多目标追踪方法中,当行人发生重叠、短暂消失或者运动幅度较大时,行人的外观信息会发生改变,从而导致id频繁切换,增加系统的不可靠性。
技术实现思路
1、针对现有技术中的缺陷,本公开的目的是提供一种基于深度学习的风险人群追踪方法、系统及介质。
2、为实现上述目的,根据本公开的第一个方面,提供一种基于深度学习的风险人群追踪方法,包括:
3、将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标记的行人的检测框和无风险标记的行人的检测框;
4、根据每一行人的检测框与每一行人的检测框之间的重叠度,确定行人的高分检测框和行人的低分检测框,确定具有重叠度标记且具有风险标记的行人的检测框;
5、将所述具有重叠度标记且具有风险标记的行人的检测框输入预训练的风险人群追踪模型中,通过级联匹配处理、iou匹配处理、轨迹状态检查处理、风险标记检查处理、卡尔曼滤波预测处理以及卡尔曼滤波更新处理,确定风险行人的行动轨迹。
6、可选地,所述将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标记的行人的检测框和无风险标记的行人的检测框,包括:
7、将所述行人的可见光图像输入所述预训练的行人检测模型中进行行人识别处理,确定所述可见光图像上行人的
8、根据所述行人的检测框的中心点的坐标与所述预设的风险人群坐标进行中心点距离匹配处理,确定所述具有风险的行人的检测框和无风险的行人的检测框;
9、对所述行人的检测框进行风险标记处理,确定具有风险标记的行人的检测框和无风险标记的行人的检测框。
10、可选地,所述根据每一行人检测框与每一行人的检测框之间的重叠度,确定行人的高分检测框和行人的低分检测框,确定具有重叠度标记且具有风险标记的行人的检测框,包括:
11、根据每一行人的检测框与每一行人的检测框之间的重叠度,确定每一行人的检测框的总重叠度;
12、若所述行人的检测框的总重叠度大于预设的重叠度阈值,确定所述行人的检测框为低分检测框;
13、若所述行人的检测框的总重叠度小于预设的重叠度阈值,确定所述行人的检测框为高分检测框。
14、可选地,所述将所述具有重叠度标记且具有风险标记的行人的检测框输入预训练的风险人群追踪模型中,通过级联匹配处理、iou匹配处理、轨迹状态检查处理、风险标记检查处理、卡尔曼滤波预测处理以及卡尔曼滤波更新处理,确定风险行人的行动轨迹包括:
15、将当前帧的所述具有重叠度标记且具有风险标记的行人的检测框与经过卡尔曼滤波器预测的不确定态轨迹进行所述级联匹配处理,确定第一未匹配的预测轨迹、第一未匹配的行人的检测框、第一匹配成功的预测轨迹;
16、对所述第一未匹配的预测轨迹、所述第一未匹配的行人的检测框以及经过卡尔曼滤波器预测的确定态轨迹进行所述iou匹配处理,确定第二未匹配的预测轨迹、第二未匹配的行人的检测框、第二匹配成功的预测轨迹;
17、对所述第二未匹配的预测轨迹进行所述轨迹状态检查处理,确定所述第二未匹配的预测轨迹的状态;
18、对所述第二未匹配的行人的检测框进行所述风险标记检查处理,确定所述第二未匹配的行人的检测框的标记状态;
19、对所述第一匹配成功的预测轨迹和所述第二匹配成功的预测轨迹,采用所述第一匹配成功的预测轨迹对应的行人的检测框和所述第二匹配成功的预测轨迹对应的行人的检测框进行所述卡尔曼滤波更新处理,更新对应的每一行人在当前帧中的位置信息和外观信息。
20、可选地,所述对所述第二未匹配的预测轨迹进行所述轨迹状态检查处理,确定所述第二未匹配的预测轨迹的状态,包括:
21、当所述第二未匹配的预测轨迹的状态为不确定态,将所述第二未匹配的预测轨迹进行删除处理;
22、当所述第二未匹配的预测轨迹的状态为确定态,对所述第二未匹配的预测轨迹的匹配失败的次数进行判断处理;
23、若所述第二未匹配的预测轨迹的匹配失败的次数大于预设的匹配失败次数阈值,将所述第二未匹配的预设轨迹进行删除处理;
24、若所述第二未匹配的预测轨迹的匹配失败的次数小于所述预设的匹配失败次数阈值,将所述第二未匹配的预测轨迹输入所述卡尔曼滤波器进行所述卡尔曼滤波器预测处理。
25、可选地,所述对所述第二未匹配的行人的检测框进行所述风险标记检查处理,确定所述第二未匹配的行人的检测框的标记状态,包括:
26、当所述第二未匹配的行人的检测框的标记状态为具有风险标记,对所述第二未匹配的行人创建新的不确定态轨迹,并将所述新的不确定态轨迹输入所述卡尔曼滤波器进行所述卡尔曼滤波预测处理;
27、当所述第二未匹配的行人的检测框的标记状态为无风险标记,不对所述第二未匹配的行人创建新的不确定态轨迹。
28、可选地,所述方法还包括:
29、若所述经过卡尔曼滤波器预测的不确定态轨迹连续三次匹配成功,将所述不确定态轨迹转换为确定态轨迹,所述匹配成功包括所述第一匹配成功和所述第二匹配成功。
30、可选地,所述方法还包括:
31、将所述第二未匹配的行人的不确定态轨迹和经过所述卡尔曼滤波更新处理的轨迹进行所述卡尔曼滤波预测处理,确定下一帧的不确定态轨迹和所述下一帧的确定态轨迹,并将所述下一帧的不确定态轨迹进行下一帧的所述级联处理,将所述下一帧的确定态轨迹进行下一帧的所述iou匹配处理,进行下一帧的追踪循环。
32、根据本公开的第二方面,提供一种基于深度学习的风险人群追踪系统,包括:
33、行人检测模块,用于将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标记的行人的检测框和无风险标记的行人的检测框;
34、打分模块,用于根据每一行人检测框与每一行人的检测框之间的重叠度,确定行人的高分检测框和行人的低分检测框,确定具有重叠度标记且具有风险标记的行人的检测框;
35、风险人群追踪模块,用于将所述具有重叠度标记且具有风险标记的行人的检测框输入预训练的风险人群追踪模型中,通过级联匹配处理、iou匹配处理、轨迹状态检查处理、风险标记检查处理、卡尔曼滤波预测处理以及卡尔曼滤波更新处理,确定风险行人的行动轨迹。
36、根据本公开的第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面提供的一种基于深度学习的风险人群追踪方法。
37、与现有技术相比,本公开实施例具有如下至少一种有益效果:
38、通过上述技术方案,将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标本文档来自技高网...
【技术保护点】
1.一种基于深度学习的风险人群追踪方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标记的行人的检测框和无风险标记的行人的检测框,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据每一行人检测框与每一行人的检测框之间的重叠度,确定行人的高分检测框和行人的低分检测框,确定具有重叠度标记且具有风险标记的行人的检测框,包括:
4.根据权利要求1所述的方法,其特征在于,所述将所述具有重叠度标记且具有风险标记的行人的检测框输入预训练的风险人群追踪模型中,通过级联匹配处理、IOU匹配处理、轨迹状态检查处理、风险标记检查处理、卡尔曼滤波预测处理以及卡尔曼滤波更新处理,确定风险行人的行动轨迹包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述第二未匹配的预测轨迹进行所述轨迹状态检查处理,确定所述第二未匹配的预测轨迹的状态,包括:
6.根据权利要求4所述的方法,其特征在于,所述对所述第二未匹配的行人的检测框进行所述风险标记检
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
9.一种基于深度学习的风险人群追踪系统,其特征在于,包括:
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的风险人群追踪方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将行人的可见光图像和预设的风险人群坐标输入预训练的行人检测模型中,确定具有风险标记的行人的检测框和无风险标记的行人的检测框,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据每一行人检测框与每一行人的检测框之间的重叠度,确定行人的高分检测框和行人的低分检测框,确定具有重叠度标记且具有风险标记的行人的检测框,包括:
4.根据权利要求1所述的方法,其特征在于,所述将所述具有重叠度标记且具有风险标记的行人的检测框输入预训练的风险人群追踪模型中,通过级联匹配处理、iou匹配处理、轨迹状态检查处理、风险标记检查处理、卡尔曼滤波预测处理以及卡尔曼滤波更新处理,确定...
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。