[发明专利]一种深度学习SSD算法结合KCF算法的多目标跟踪系统

权利要求书

1.一种深度学习SSD算法结合KCF算法的多目标跟踪系统，其特征在于，包括以下步骤：

步骤一：获取图像，传入用于目标识别的SSD深度学习模型；

步骤二：SSD算法通过GPU加速进行目标识别，对识别结果做判断，过滤不合适的目标，再记录每个目标位置信息；

步骤三：判断获取的图像是否是待跟踪图像序列中的第1帧图像；若是，则执步骤四，否则执行步骤五；

步骤四：对SSD算法获取的新目标位置信息，每个目标都建立一个对象，进行初始化KCF跟踪算法运算，初始化链表，记录保存位置信息,此链表记录的位置信息，就是目标移动的轨迹信息,执行步骤八；

步骤五：通过获取的图像，多线程并行进行每个跟踪对象KCF跟踪运算，根据计算结果判断，若满足继续跟踪条件，则把新的位置信息添加对应的链表，否则，跟踪失败，释放此目标跟踪对象；

步骤六：将每个跟踪对象进行比对去判断，释放重复跟踪的对象；

步骤七：对SSD获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断，建立新的跟踪对象或者校正已有的跟踪对象；

步骤八：判断是否加载完所有的图像；若是，则执行步骤九，否则，执行步骤一；

步骤九:结束跟踪。

2.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统，其特征在于，所述步骤二的过滤不合适的目标，过滤的步骤如下：

S1：SSD算法检测的目标位置依次保存M向量；

S2：从M向量取出目标框，两两比对，比对的结果按照如下公式：ra1＝Rx/R1、ra2＝Rx/R2、p＝max(ra1,ra2)，R1是第一个目标框的面积，R2是第二个目标框的面积,Rx表示两个目标框重合的面积，若p大于0.3，ra1大于ra2，则丢弃R1，ra1小于ra2,则丢弃R2，若p小于0.3，则不会丢弃任何一个目标框，p＝0表示两目标框位置无重合；

S3：最终剩下的目标框，为所需跟踪的目标,完成目标框的过滤。

3.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统，其特征在于，所述步骤四中的初始化KCF跟踪算法运算KCF跟踪算法本身需要优化，调好参数，才能达到符合使用需求的目的,对每个目标初始化跟踪，其具体步骤如下：

SS1:对传入的图像缩放到320x240，并进行归一化操作；

SS2:对图像选取感兴趣区域,区域范围为目标图像的1.5倍大小

SS3:KCF算法跟踪运算选取hog特征。

4.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统，其特征在于，所述步骤五中的多线程KCF算法跟踪运算,并行运算可以提高算法的速度，充分利用硬件资源，达到实时跟踪的必要手段，步骤如下：

SSS1：获取计算机的cpu核心数，开启和cpu核心数等数量的线程数，同时进行跟踪运算，线程运算完一个对象，及补充一个新对象,保存计算结果；

SSS2：把KCF算法分类器的响应峰值转换成概率值p；

SSS3：目标跟踪以下公式来判断是否跟踪失败，边缘概率小于中间概率d＝min(d_top,d_bot,d_left,d_right)d_top,d_bot,d_left,d_right分别为目标框到视频，顶边，底边，左边，右边框的距离，d是运算的最小距离，若d的数值大于10，则p小于0.3，跟踪失败，释放该对象，若小于10阈值概率随着d的减小变大，最高0.85。

5.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统，其特征在于，所述步骤五中释放重复跟踪的对象的具体步骤如下：

S1：计算每个对象之间位置的交并比IOU,IOU值定位为两个矩形框面积的交集和并集的比值；

S2：IOU值大于0.6，表示出现重复跟踪的问题，根据以下公式释放对象V＝Min(Yn,Ym),其中Yn表示一个对象目标框在视频上到视频底边的距离，同样Ym表示一个对象的目标框到视频底边的距离，V取计算的最小值，最小值对应的对象保留，另一个对象释放。