【技术实现步骤摘要】
本申请涉及多目标追踪，具体而言，涉及一种多目标的跟踪方法、装置、介质和电子设备。
技术介绍
1、多目标跟踪是计算机视觉领域的一个重要分支，是处理视频数据的重要手段，被广泛应用于自动驾驶领域。随着深度学习的崛起及其在多目标跟踪领域的应用，多目标跟踪算法的性能有了质的飞跃。目前，对多目标进行跟踪采用tracktor算法。
2、但是，当视频帧率较低或者严重的相机抖动时，在两帧之间目标会有相对较大的位移，导致在下一帧跟踪失败，将原目标判定为新目标，造成严重的身份转换问题。
3、因此，本申请提供了一种多目标的跟踪方法，以解决上述技术问题。
技术实现思路
1、本申请的目的在于提供一种多目标的跟踪方法、装置、介质和电子设备，能够解决上述提到的至少一个技术问题。具体方案如下：
2、根据本申请的具体实施方式，第一方面，本申请提供一种多目标的跟踪方法，包括：
3、获取当前视频帧的第一跟踪图像和前一视频帧的第二跟踪图像；
4、将所述第一跟踪图像与所述第二跟踪图像进行对比，确定所述第一跟踪图像中的新目标图像；
5、将所述新目标图像应用于已训练过的行人重识别网络模型，获取所述新目标图像的特征信息；
6、计算所述新目标图像的特征信息与多个失活目标图像的历史特征信息的欧式距离，生成欧式距离矩阵；
7、基于所述欧式距离矩阵确定所述新目标图像与所述多个失活目标图像的关联关系。
8、可选的，所述行人重识别网络模
9、可选的，所述残差网络模型至少包括在特征层和全连接层之间的至少一个归一化层；所述三元组损失函数用于在所述至少一个归一化层前完成目标聚类，所述交叉熵损失函数用于在所述至少一个归一化层后完成目标分界。
10、可选的，所述行人重识别网络模型的结构还包括中心损失函数与函数占比参数的乘积，所述中心损失函数用于在所述至少一个归一化层前增加类内的紧密型，所述函数占比参数用于确定中心损失函数的占比值。
11、可选的，所述残差网络模型的最后一层的步长为2。
12、根据本申请的具体实施方式，第二方面，本申请提供一种多目标的跟踪装置，包括：
13、图像获取单元，用于获取当前视频帧的第一跟踪图像和前一视频帧的第二跟踪图像；
14、图像对比单元，用于将所述第一跟踪图像与所述第二跟踪图像进行对比，确定所述第一跟踪图像中的新目标图像；
15、特征获取单元，用于将所述新目标图像应用于已训练过的行人重识别网络模型，获取所述新目标图像的特征信息；
16、矩阵生成单元，用于计算所述新目标图像的特征信息与多个失活目标图像的历史特征信息的欧式距离，生成欧式距离矩阵；
17、关系确定单元，用于基于所述欧式距离矩阵确定所述新目标图像与所述多个失活目标图像的关联关系。
18、可选的，所述行人重识别网络模型的结构包括残差网络模型以及三元组损失函数和交叉熵损失函数，其中，所述三元组损失函数用于完成目标聚类，所述交叉熵损失函数用于完成目标分界。
19、可选的，所述残差网络模型至少包括在特征层和全连接层之间的至少一个归一化层；所述三元组损失函数用于在所述至少一个归一化层前完成目标聚类，所述交叉熵损失函数用于在所述至少一个归一化层后完成目标分界。
20、可选的，所述行人重识别网络模型的结构还包括中心损失函数与函数占比参数的乘积，所述中心损失函数用于在所述至少一个归一化层前增加类内的紧密型，所述函数占比参数用于确定中心损失函数的占比值。
21、可选的，所述残差网络模型的最后一层的步长为2。
22、根据本申请的具体实施方式，第三方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上任一项所述多目标的跟踪方法。
23、根据本申请的具体实施方式，第四方面，本申请提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上任一项所述多目标的跟踪方法。
24、本申请实施例的上述方案与现有技术相比，至少具有以下有益效果：
25、本申请提供了一种多目标的跟踪方法、装置、介质和电子设备。本申请将所述新目标图像应用于已训练过的行人重识别网络模型，获取所述新目标图像的特征信息，计算所述新目标图像的特征信息与多个失活目标图像的历史特征信息的欧式距离，生成欧式距离矩阵；基于所述欧式距离矩阵确定所述新目标图像与所述多个失活目标图像的关联关系。通过行人重识别网络模型使目标跟踪得到了较大的改善，解决了目标遮挡问题，避免了对目标的误判，提高了跟踪成功率。
本文档来自技高网...【技术保护点】
1.一种多目标的跟踪方法，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，所述行人重识别网络模型的结构包括残差网络模型以及三元组损失函数和交叉熵损失函数，其中，所述三元组损失函数用于完成目标聚类，所述交叉熵损失函数用于完成目标分界。
3.根据权利要求2所述的方法，其特征在于，所述残差网络模型至少包括在特征层和全连接层之间的至少一个归一化层；所述三元组损失函数用于在所述至少一个归一化层前完成目标聚类，所述交叉熵损失函数用于在所述至少一个归一化层后完成目标分界。
4.根据权利要求3所述的方法，其特征在于，所述行人重识别网络模型的结构还包括中心损失函数与函数占比参数的乘积，所述中心损失函数用于在所述至少一个归一化层前增加类内的紧密型，所述函数占比参数用于确定中心损失函数的占比值。
5.根据权利要求2所述的方法，其特征在于，所述残差网络模型的最后一层的步长为2。
6.一种多目标的跟踪装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述行人重识别网络模型的结构包括残差网络模型以及三元组
8.根据权利要求7所述的装置，其特征在于，所述残差网络模型至少包括在特征层和全连接层之间的至少一个归一化层；所述三元组损失函数用于在所述至少一个归一化层前完成目标聚类，所述交叉熵损失函数用于在所述至少一个归一化层后完成目标分界。
9.根据权利要求8所述的装置，其特征在于，所述行人重识别网络模型的结构还包括中心损失函数与函数占比参数的乘积，所述中心损失函数用于在所述至少一个归一化层前增加类内的紧密型，所述函数占比参数用于确定中心损失函数的占比值。
10.根据权利要求7所述的装置，其特征在于，所述残差网络模型的最后一层的步长为2。
...【技术特征摘要】
1.一种多目标的跟踪方法，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，所述行人重识别网络模型的结构包括残差网络模型以及三元组损失函数和交叉熵损失函数，其中，所述三元组损失函数用于完成目标聚类，所述交叉熵损失函数用于完成目标分界。
3.根据权利要求2所述的方法，其特征在于，所述残差网络模型至少包括在特征层和全连接层之间的至少一个归一化层；所述三元组损失函数用于在所述至少一个归一化层前完成目标聚类，所述交叉熵损失函数用于在所述至少一个归一化层后完成目标分界。
4.根据权利要求3所述的方法，其特征在于，所述行人重识别网络模型的结构还包括中心损失函数与函数占比参数的乘积，所述中心损失函数用于在所述至少一个归一化层前增加类内的紧密型，所述函数占比参数用于确定中心损失函数的占比值。
5.根据权利要求2所述的方法，其特征在于，所述残差网络模型的最后一层的步长为2。
...【专利技术属性】
技术研发人员：马婵娟，
申请(专利权)人：中国第一汽车股份有限公司，
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。