[发明专利]目标跟踪方法、系统、电子装置及存储介质

说明书

本申请的目标跟踪方法、系统、电子装置及存储介质，针对多相机系统采集的图像数据，通过目标检测模型对图像数据作目标检测，以形成边界框；根据框选图像区域得到特征向量，并将所提取的特征向量在样本集中匹配相似样本簇，并令该边界框关联至相似样本簇对应的目标类别；从多个相机采集的每个时刻的图像帧组中得到各边界框，并利用对应于同一目标上同一参考点的各边界框中点具有相同世界坐标特性，得到每组备选世界坐标；利用对应同一目标的每组备选世界坐标获取该同一目标的每个唯一世界坐标；根据每个目标在不同时刻的唯一世界坐标形成行动轨迹；本申请通过多相机配合目标检测及重识别降低遮挡干扰，得到连续精确的多目标的行动轨迹。

技术领域

本申请涉及目标追踪技术领域，尤其涉及目标跟踪方法、系统、电子装置及存储介质。

背景技术

行人识别以及跟踪技术是计算机视觉常用应用之一，在自动驾驶，行人定位，监控行人轨迹等多个领域都有应用价值。在视频监控方面，精确的多行人跟踪技术，可以确定某个人在某个时间段在某地的移动轨迹，这对商业上分析顾客的行为趋向，客流量变化，或者安防领域分析罪犯的作案手段等都能提供很大的帮助。

近年来，关于行人跟踪的专利，有基于传统的视觉检测算法以及相似度度量方法进行行人跟踪的，有基于深度学习相关算法做行人跟踪的，但是大多基于单相机或者只是单行人跟踪，实际应用价值不高。众所周知，深度学习为计算机视觉性能上带来了巨大的提升，因此基于深度学习的行人检测以及行人特征表达的方式相比于传统的计算机视觉检测算法，优势十分明显，可以实现更精确的行人检测和定位。而基于深度学习相关检测方法的行人跟踪技术，大多只是实现了单相机下的行人检测以及跟踪，但是单相机很难处理遮挡的问题，容易因为遮挡而丢失行人的后续轨迹。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供目标跟踪方法、系统、电子装置及存储介质，解决现有技术的目标追踪技术的各种问题。

为实现上述目标及其他相关目标，本申请提供一种目标跟踪方法，用于分析多相机系统采集的图像数据实现；所述方法包括：通过目标检测模型对图像数据作目标检测，以形成在图像数据中框选每个目标的边界框；利用目标重识别模型对每个边界框所框选图像区域进行特征提取得到特征向量，并将所提取的特征向量在样本集中匹配相似样本簇，并令该边界框关联至相似样本簇对应的目标类别；从由多相机系统中已标定的多个相机采集的每个时刻的图像帧组中得到各边界框，并利用对应于同一目标上同一参考点的各边界框中的对应点具有唯一世界坐标系下的相同世界坐标的特性，得到一或多个备选世界坐标，以构成对应每个目标的一组备选世界坐标；利用对应同一目标的每组备选世界坐标获取该同一目标的每个唯一世界坐标；根据每个目标在不同时刻的图像帧所得到的每个唯一世界坐标形成每个目标的行动轨迹。

于一实施例中，所述目标检测模型通过YOLO v1～v3、R-CNN、及SSD相关模型中的一种或多种实现。

于一实施例中，所述目标检测模型是利用标记有对应不同目标类别的参考标准边界框的训练数据集的；在训练过程中，所述目标检测模型对于不同目标类别采用不同的全连接层和softmax层的参数，对于相同的目标类别采用相同的全连接层和softmax层参数。

于一实施例中，所述边界框包括多个属性值，所述多个属性值包括：边界框位置信息、及置信度；所述置信度表示预测的边界框的位置信息与参考标准间的重叠程度；所述深度信息模型包括：用于预测边界框相关的目标类别以及位置信息的边界框损失函数。

于一实施例中，所述边界框损失函数包含：关于含有目标的预测的边界框的位置信息的第一项、关于含有目标的预测的边界框的置信度的第二项、关于不含有目标的预测的边界框的置信度的第三项、及特征向量中每一个单元格的目标类别判断的第四项。

于一实施例中，所述目标重识别模型包括：基于深度学习的残差神经网络模型。