[发明专利]多目标跟踪方法、装置、计算机装置及计算机存储介质

说明书

一种多目标跟踪方法、装置、计算机装置及存储介质。所述多目标跟踪方法包括：利用目标检测器检测图像中的预定类型目标，得到所述预定类型目标的目标框；利用目标分类器对所述目标框打分，得到所述目标框属于指定目标的分数；删除所述目标框中所述分数低于预设阈值的目标框，得到筛选后的目标框；利用特征提取器提取所述筛选后的目标框的特征，得到所述筛选后的目标框的特征向量；根据所述特征向量将所述筛选后的目标框与所述图像的前一帧图像的各个目标框进行匹配，得到更新后的目标框。本发明解决了现有多目标跟踪方案中对目标检测器的依赖问题，并且提高了跟踪的精度和鲁棒性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种多目标跟踪方法、装置、计算机装置及计算机存储介质。

背景技术

多目标跟踪是指对视频或图像序列中多个运动物体(例如交通视频中的汽车和行人)进行跟踪，得到运动物体在每一帧的位置。多目标跟踪在视频监控、自动驾驶和视频娱乐等领域有广泛的应用。

目前的多目标跟踪主要采用了track by detection架构，在视频或图像序列的每帧图像上通过检测器检测出各个目标的位置信息，然后将当前帧的目标位置信息和前一帧的目标位置信息进行匹配。如果检测器的精度不高、出现大量的错检或者检测框跟真实框的偏差过大，就会直接导致跟踪的精度变差、跟踪错误或丢失目标。

发明内容

鉴于以上内容，有必要提出一种多目标跟踪方法、装置、计算机装置及计算机存储介质，其可以解决现有多目标跟踪方案中对目标检测器的依赖问题，并且提高了跟踪的精度和鲁棒性。

本申请的第一方面提供一种多目标跟踪方法，所述方法包括：

利用目标检测器检测图像中的预定类型目标，得到所述预定类型目标的目标框；

利用目标分类器对所述目标框打分，得到所述目标框属于指定目标的分数；

删除所述目标框中所述分数低于预设阈值的目标框，得到筛选后的目标框；

利用特征提取器提取所述筛选后的目标框的特征，得到所述筛选后的目标框的特征向量；

根据所述特征向量将所述筛选后的目标框与所述图像的前一帧图像的各个目标框进行匹配，得到更新后的目标框。

另一种可能的实现方式中，所述目标检测器是加快区域卷积神经网络模型，所述加快区域卷积神经网络模型包括区域建议网络和快速区域卷积神经网络，所述加快区域卷积神经网络模型在检测所述图像中的预定类型目标之前按照以下步骤进行训练：

第一训练步骤，使用Imagenet模型初始化所述区域建议网络，使用训练样本集训练所述区域建议网络；

第二训练步骤，使用所述第一训练步骤中训练后的区域建议网络生成所述训练样本集中各个样本图像的候选框，利用所述候选框训练所述快速区域卷积神经网络；

第三训练步骤，使用所述第二训练步骤中训练后的快速区域卷积神经网络初始化所述区域建议网络，使用所述训练样本集训练所述区域建议网络；

第四训练步骤，使用所述第三训练步骤中训练后的区域建议网络初始化所述快速区域卷积神经网络，并保持所述卷积层固定，使用所述训练样本集训练所述快速区域卷积神经网络。

另一种可能的实现方式中，所述加快区域卷积神经网络模型采用ZF框架，所述区域建议网络和所述快速区域卷积神经网络共享5个卷积层。

另一种可能的实现方式中，所述目标分类器是区域全卷积网络模型。

另一种可能的实现方式中，所述利用特征提取器提取所述筛选后的目标框的特征包括：

采用重识别方法提取所述筛选后的目标框的特征。