[发明专利]多目标跟踪方法、装置、设备及存储介质

说明书

本发明公开了多目标跟踪方法、装置、设备及存储介质，其中方法包括：获取待处理的当前图像，将当前图像输入给预先训练得到的卷积神经网络模型，得到目标检测结果；从预先选定的卷积层中分别抽取出检测到的各目标的特征向量；分别计算当前图像中各目标的特征向量与之前的图像中各目标的特征向量之间的相似度，根据计算结果完成同一目标在不同图像帧间的关联，并分配跟踪编号。应用本发明所述方案，能够满足实时处理的要求等。

【技术领域】

本发明涉及计算机应用技术，特别涉及多目标跟踪方法、装置、设备及存储介质。

【背景技术】

视觉多目标跟踪是视觉障碍物检测的关键技术之一，主要功能是在连续图像帧内，给同一个目标分配同一个编号，以估计每个目标的运动轨迹。

跟踪算法通常采用Tracking by Detection的方式，即跟踪过程强依赖于检测结果，实现流程主要包括：进行目标检测、进行帧间检测结果的数据关联以及为目标分配编号。

其中，数据关联作为跟踪过程中的一个重要环节，其性能将直接影响到跟踪质量的好坏，数据关联的速度将直接影响到跟踪算法是否能够成为实时在线算法。

数据关联的操作通常包括：对目标检测结果进行特征提取，利用提取出的特征计算不同目标之间的相似度，进而求解分配问题，即利用各个目标的相似度矩阵找到最优分配，从而完成目标的关联。

常用的特征提取方式为：提取光流特征，如尺度不变特征变化(SIFT，ScaleInvariant Feature Transform)特征等，针对检测到的每个目标，分别提取多个特征，组成特征向量，进而计算特征向量之间的余弦相似度。

采用上述方式，虽然会取得不错的跟踪效果，但是描述越好的特征，计算速度越慢，如SIFT特征具有很强的描述能力，但是提取SIFT特征的过程会非常耗时，从而无法满足多目标跟踪中实时处理的要求。

【发明内容】

有鉴于此，本发明提供了多目标跟踪方法、装置、设备及存储介质，能够满足实时处理的要求。

具体技术方案如下：

一种多目标跟踪方法，包括：

获取待处理的当前图像，将所述当前图像输入给预先训练得到的卷积神经网络模型，得到目标检测结果；

从预先选定的卷积层中分别抽取出检测到的各目标的特征向量；

分别计算当前图像中各目标的特征向量与之前的图像中各目标的特征向量之间的相似度，根据计算结果完成同一目标在不同图像帧间的关联，并分配跟踪编号。

根据本发明一优选实施例，所述获取待处理的当前图像，将所述当前图像输入给预先训练得到的卷积神经网络模型，得到目标检测结果之前，进一步包括：

获取作为训练数据的图像，并分别获取作为训练数据的每帧图像中的各目标的标注结果；

根据作为训练数据的各图像以及其中的各目标的标注结果，训练得到所述卷积神经网络模型。

根据本发明一优选实施例，所述从预先选定的卷积层中分别抽取出检测到的各目标的特征向量包括：

针对检测到的每个目标，分别进行以下处理：

找出所述目标在所述选定的卷积层中对应的区域；

通过roi pooling的方式将所述区域对应的卷积特征取出；

对取出的卷积特征进行归一化，得到所述目标的特征向量。

根据本发明一优选实施例，所述分别计算当前图像中各目标的特征向量与之前的图像中各目标的特征向量之间的相似度包括：