【技术实现步骤摘要】
本专利技术涉及目标追踪，具体涉及一种船舶多目标追踪方法、装置、电子设备及存储介质。
技术介绍
1、多目标跟踪是计算机视觉领域中的一个重要任务，它旨在追踪视频帧中多个目标的位置。目前的多目标跟踪任务主要针对行人和车辆，船舶的多目标跟踪研究较少。随着国民经济增长和政策支持，中国航运业发展迅速，并且向着智能化无人化的方向发展，无人驾驶船舶在海面复杂环境航行时，为了能够实现其自主避障功能，需要实时地对海面上的船舶标进行感知、识别和追踪，特别是海上船舶的多目标跟踪对于实现船舶智能化，乃至于无人驾驶船舶至关重要。
2、当前多目标跟踪方法通常分为两大类：两阶段多目标跟踪、一阶段多目标跟踪。两阶段多目标跟踪使用两个单独的模型，首先用检测模型定位图像中目标的边界框位置，然后用关联模型对每个边界框提取重识别 (re-identification，re-id)特征，并根据这些特征将边界框与现有的跟踪结果连接起来。一阶段多目标跟踪在进行目标检测的同时也进行reid特征提取，核心思想是在单个网络中同时完成对象检测和特征提取，以通过共享大部分计算来减少推理时间。但是对于船舶跟踪而言，上述两种方法目前都存在问题，由于目标检测和外观特征提取需要两个深度学习网络，两阶段跟踪器不能满足实时性的需求，而一阶段目标跟踪器需要单个网络同时进行目标检测和重识别任务的推理，而这两个任务往往存在冲突，使得模型效果受到影响。除了上述的问题外，船舶跟踪的难点还在于海上视频摄像头安装位置、距离、方位以及复杂天气条件等导致视频质量不高，除此之外，船舶行驶过程中产生的尾浪、
技术实现思路
1、有鉴于此，有必要提供一种船舶多目标追踪方法、装置、电子设备及存储介质，用以实现满足实时性要求并且能在复杂场景下准确跟踪船舶的目的。
2、为了实现上述目的，本专利技术提供了一种船舶多目标追踪方法，包括：
3、构建船舶多目标跟踪数据集；
4、将所述船舶多目标跟踪数据集输入至预设的yolox-s模型，以对所述yolox-s模型进行训练，得到船舶多目标跟踪模型；
5、获取待检测的船舶图像，将所述待检测的船舶图像输入至所述船舶多目标跟踪模型，得到多个船舶检测目标；
6、确定相邻两帧船舶图像对应的相似度关系损失矩阵；
7、基于所述相似度关系损失矩阵，将所述多个船舶检测目标对应的所有轨迹与当前帧船舶图像的高分边界框进行匹配，得到第一匹配轨迹；
8、基于所述第一匹配轨迹确定船舶跟踪轨迹；
9、其中，所述yolox-s模型，包括依次连接的主干特征网络、rfb模块以及检测头；
10、所述主干特征网络，包括多层串联的特征提取层；每一特征提取层均包括基础层、第一常规卷积层、第二常规卷积层、第一重参数化卷积模块、第二重参数化卷积模块和转化层，所述第一重参数化卷积模块和所述第二重参数化卷积模块均包括多层重参数卷积层；
11、所述第一常规卷积层和所述第二常规卷积层的输入均与所述基础层的输出连接，所述第一常规卷积层和所述第二常规卷积层的输出均与所述转化层连接，所述第一重参数化卷积模块的输入与所述第二常规卷积层的输出连接，所述第一重参数化卷积模块的输出与所述转化层连接，所述第二重参数化卷积模块的输入与所述第一重参数化卷积模块的输出连接，所述第二重参数化卷积模块的输出与所述转化层连接。
12、进一步地，所述构建船舶多目标跟踪数据集，包括：
13、获取不同场景的船舶航行视频，并对所述船舶航行视频中的船舶进行标注，得到标注结果；
14、将所述标注结果转化为mot格式，以构建船舶多目标跟踪数据集。
15、进一步地，所述重参数化卷积层，包括：第三常规卷积层、第四常规卷积层和识别层，所述第三常规卷积层为3×3卷积层，所述第四常规卷积层为1×1卷积层。
16、进一步地，所述检测头，用于基于所述rfb模块的输出确定多任务损失，以及基于所述rfb模块的输出确定重识别特征，并确定所述重识别特征对应的损失，且基于所述多任务损失和所述重识别特征对应的损失确定所述yolox-s模型的损失，所述yolox-s模型的损失用于所述yolox-s模型的训练；所述多任务损失包括交并比损失、置信度损失和回归损失。
17、进一步地，所述确定相邻两帧船舶图像对应的相似度关系损失矩阵，包括：
18、确定相邻两帧图像对应的高分边界框之间的交并比，以及重识别特征相似度；
19、基于所述交并比以及所述重识别特征相似度，确定相邻两帧船舶图像对应的相似度关系损失矩阵。
20、进一步地，船舶多目标追踪方法，还包括：
21、将所有轨迹中除所述第一匹配轨迹之外的轨迹，与当前帧船舶图像对应的中分边界框进行匹配，得到第二匹配轨迹；
22、将所有轨迹中除所述第一匹配轨迹和所述第二匹配轨迹之外的轨迹，与当前帧船舶图像的低分边界框进行匹配，得到第三匹配轨迹；
23、将所有轨迹中除所述第一匹配轨迹、所述第二匹配轨迹和所述第三匹配轨迹之外的轨迹确定为所述船舶跟踪轨迹对应的背景。
24、进一步地，所述对所述yolox-s模型进行训练，包括：
25、以含动量的随机梯度下降的方式、并以余弦衰减的学习率下降方式，对所述yolox-s模型进行训练。
26、本专利技术还提供一种船舶多目标追踪装置，包括：
27、构建模块，用于构建船舶多目标跟踪数据集；
28、训练模块，用于将所述船舶多目标跟踪数据集输入至预设的yolox-s模型，以对所述yolox-s模型进行训练，得到船舶多目标跟踪模型；
29、检测模块，用于获取待检测的船舶图像，将所述待检测的船舶图像输入至所述船舶多目标跟踪模型，得到多个船舶检测目标；
30、损失矩阵确定模块，用于确定相邻两帧船舶图像对应的相似度关系损失矩阵；
31、匹配模块，用于基于所述相似度关系损失矩阵，将所述多个船舶检测目标对应的所有轨迹与当前帧船舶图像的高分边界框进行匹配，得到第一匹配轨迹；
32、追踪模块，用于基于所述第一匹配轨迹确定船舶跟踪轨迹；
33、其中，所述yolox-s模型，包括依次连接的主干特征网络、rfb模块以及检测头；
34、所述主干特征网络，包括多层串联的特征提取层；每一特征提取层均包括基础层、第一常规卷积层、第二常规卷积层、第一重参数化卷积模块、第二重参数化卷积模块和转化层，所述第一重参数化卷积模块和所述第二重参数化卷积模块均包括多层重参数卷积层；
35、所述第一常规卷积层和所述第二常规卷积层的输入均与所述基础层的输出连接，所述第一常规卷积层和所述第二常规卷积层的输出均与所述转化层连接，所述第一重参数化卷积本文档来自技高网...
【技术保护点】
1.一种船舶多目标追踪方法，其特征在于，包括：
2.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述构建船舶多目标跟踪数据集，包括：
3.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述重参数化卷积层，包括：第三常规卷积层、第四常规卷积层和识别层，所述第三常规卷积层为3×3卷积层，所述第四常规卷积层为1×1卷积层。
4.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述检测头，用于基于所述RFB模块的输出确定多任务损失，以及基于所述RFB模块的输出确定重识别特征，并确定所述重识别特征对应的损失，且基于所述多任务损失和所述重识别特征对应的损失确定所述YOLOX-S模型的损失，所述YOLOX-S模型的损失用于所述YOLOX-S模型的训练；所述多任务损失包括交并比损失、置信度损失和回归损失。
5.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述确定相邻两帧船舶图像对应的相似度关系损失矩阵，包括：
6.根据权利要求1所述的船舶多目标追踪方法，其特征在于，还包括：
7.根据权利要求1-6任
8.一种船舶多目标追踪装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的船舶多目标追踪方法。
...【技术特征摘要】
1.一种船舶多目标追踪方法，其特征在于，包括：
2.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述构建船舶多目标跟踪数据集，包括：
3.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述重参数化卷积层，包括：第三常规卷积层、第四常规卷积层和识别层，所述第三常规卷积层为3×3卷积层，所述第四常规卷积层为1×1卷积层。
4.根据权利要求1所述的船舶多目标追踪方法，其特征在于，所述检测头，用于基于所述rfb模块的输出确定多任务损失，以及基于所述rfb模块的输出确定重识别特征，并确定所述重识别特征对应的损失，且基于所述多任务损失和所述重识别特征对应的损失确定所述yolox-s模型的损失，所述yolox-s模型的损失用于所述yolox-s...
【专利技术属性】
技术研发人员：罗芳，王晓亮，王昊宇，吴云兰，宋龙，吴辰昊，姜鹏炬，
申请(专利权)人：武汉理工大学，
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。