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】
本专利技术涉及计算机视觉,具体涉及一种基于deepsort的行人追踪方法。
技术介绍
1、视频追踪领域,目前多采用基于检测的追踪方法进行多目标追踪,行人追踪技术使用计算机视觉和深度学习算法来对行人的身份进行准确的识别和追踪,其中以各种不同的目标检测算法配合deepsort追踪算法为主流。基于检测的多目标追踪方法为:使用目标检测算法对视频中的每一帧图像进行目标检测,再使用deepsort追踪算法对检测出的目标进行持续的追踪。此种方法具有以下问题:在复杂场景中进行高效、准确的行人追踪仍然面临许多挑战,如行人间相互遮挡、行人姿态的频繁变换和目标重识别等问题。
技术实现思路
1、鉴于以上所述现有技术的缺点,本专利技术提供基于deepsort的行人追踪方法,用于准确地识别行人并追踪。
2、为实现上述效果,本专利技术的技术方案如下:
3、第一个方面,本专利技术提供一种基于deepsort的行人追踪方法,包括以下步骤:
4、步骤1:获取行人包括当前帧在内的多个连续的视频帧;
5、步骤2:使用deepsort模型对当前帧中的移动行人目标进行多目标检测,获取所述当前帧中的目标检测结果;根据当前帧中的目标检测结果,为每一所述移动行人目标分配目标id;
6、步骤3:根据目标id锁定需要追踪的移动行人目标的目标id;为每一个移动行人目标设置一个轨迹,记录移动行人目标的轨迹;
7、步骤4:获取根据所述当前帧之前的多个连续帧确定的第一目标
8、所述deepsort模型为基于卡尔曼滤波算法、efficientvit检测器和crossattention算法的运动追踪模型;
9、所述卡尔曼滤波算法,用于对行人轨迹的预测和状态估计,得到所述移动行人目标的预测追踪框;
10、所述efficientvit检测器,用于对实时检测到的移动行人目标的检测框进行特征提取与检测,得到移动行人目标的外观特征;
11、所述cross attention算法,用于代替匈牙利算法的级联匹配,将移动行人目标的预测追踪框与检测框进行目标id匹配。
12、进一步的,步骤1之后,包括:
13、输入待检测的行人图像,对行人图像进行双线性插值缩放变换,使行人图像尺寸为640*640*3。
14、进一步的,所述使用deepsort模型对当前帧中的移动行人目标进行多目标检测,步骤如下:
15、步骤2.1:使用efficientvit检测器作为deepsort模型的目标检测器对移动行人目标进行目标检测,得到行人目标的特征向量;
16、步骤2.2:使用卡尔曼滤波作为deepsort模型的视频下一帧行人位置预测器;
17、步骤2.3:使用efficientvit检测器作为deepsort模型的特征提取网络,在提升特征提取精度的同时极大地减少网络参数;
18、步骤2.4:获取训练后的deepsort模型;
19、步骤2.5:使用cross attention算法作为特征匹配器,利用cross attention算法对前后两帧中的检测框内行人进行匹配;若匹配度超过设定的阈值,则认定为同一目标;若行人匹配度未超过设定的阈值,则对行人分配新的目标id。
20、进一步的,所述获取训练后的deepsort模型,包括:
21、利用行人重识别数据集对改进的deepsort模型进行训练,直到所述deepsort模型达到最大训练轮次,以获得训练好的deepsort模型。
22、进一步的,所述目标id被连续检测到4帧则保留行人目标的特征向量。
23、进一步的,所述获取所述当前帧中的目标检测结果,之后还包括:
24、efficientvit检测器在获取到移动行人目标的检测框之后,去掉置信度小于预设置信度值的检测框。
25、进一步的,所述目标id设置有认证次数标识;
26、将识别到的目标id的认证次数标识加一;目标id的认证次数标识用于标志目标id的显示次数,若目标id的显示次数超过预设次数,即目标id通过多次认证;
27、使用cross attention算法对行人目标的特征向量和目标id进行id匹配,若未匹配到目标id,则目标id连续丢失次数+1并对目标分配新的目标id,若行人目标的特征向量和目标id成功匹配则目标id认证次数标识加一;
28、更新每一个移动行人目标的轨迹,使用卡尔曼滤波算法预测下一帧移动行人目标位置信息,将下一帧移动行人目标位置信息与特征向量进行拼接,得到目标id的特征,将检测到的n个移动行人目标的目标id保存;
29、若目标id连续检测到的帧数大于或等于第一预设帧数,则显示所述目标的id号;若目标id在连续的第二预设帧数内没有被检测到,则清空对应id的所有数据。
30、与现有技术相比,本专利技术技术方案的有益效果是:
31、本专利技术使用cross attention算法代替匈牙利算法,进行id保留匹配,crossattention算法代替级联匹配,进行目标的id识别,防止多人重叠时以及短暂消失时达到准确识别;
32、使用efficientvit检测器作为deepsort模型的目标检测器,检测人体目标,有效缓解了deepsort模型中多个行人重叠的情况。简化deepsort模型算法流程,提高检测速度与精度,实现nms极大值抑制的功能。
本文档来自技高网...【技术保护点】
1.一种基于DeepSort的行人追踪方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤1之后,包括:
3.根据权利要求2所述的方法,其特征在于,所述使用DeepSort模型对当前帧中的移动行人目标进行多目标检测,步骤如下:
4.根据权利要求3所述的方法,其特征在于,所述获取训练后的DeepSort模型,包括:
5.根据权利要求4所述的方法,其特征在于,所述目标id被连续检测到4帧则保留行人目标的特征向量。
6.根据权利要求5所述的方法,其特征在于,所述获取所述当前帧中的目标检测结果,之后还包括:
7.根据权利要求6所述的方法,其特征在于,所述目标id设置有认证次数标识;
【技术特征摘要】
1.一种基于deepsort的行人追踪方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤1之后,包括:
3.根据权利要求2所述的方法,其特征在于,所述使用deepsort模型对当前帧中的移动行人目标进行多目标检测,步骤如下:
4.根据权利要求3所述的方法,其特征在于,所述获...
【专利技术属性】
技术研发人员:左官芳,顾思睿,王思成,酒蒙恩,辛亚宣,徐添爱,任耶露,阮义阳,
申请(专利权)人:无锡学院,
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。