[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

说明书

本发明公开了一种深度学习SSD算法结合KCF算法的多目标跟踪系统，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；由SSD检测确定目标跟踪的物体和位置，KCF算法进行跟踪，并记录目标移动轨迹，跟踪过程中，SSD算法同时进行优化校正，防止跟踪偏移，跟踪失败，跟踪目标错误，提升跟踪速度，直到目标消失，获取的目标轨迹，供业务层分析使用。

技术领域

本发明属于视频目标跟踪领域，涉及计算机技术，具体是一种深度学习SSD算法结合KCF算法的多目标跟踪系统。

背景技术

高性能的目标跟踪方法是计算机视觉领域的核心技术。经典目标跟踪方法中，当前的跟踪算法也可以分成生产式(generative model)和判别式(discriminantive model)两大类。生产式方法运用生成模型描述目标的表现特征，之后通过搜索候选目标来最小化重构误差(即寻找最佳匹配窗口)；生产式方法着眼于对目标本身的刻画，忽略背景信息，在目标自身变化剧烈或者被遮挡时容易产生漂移。判别式方法通过训练分类器来区分目标和背景(即从背景中区分目标)。

判别式方法因为显著区分背景和前景的信息，表现更为鲁棒，在目标跟踪领域占据主流地位。

跟踪算法经过多年的发展已有很好跟踪效果，但是受到光照、遮挡、尺度等因素变化的情况都有一定的概率会跟踪发生偏移，或者产生误跟踪的问题,目标跟踪出现问题无法修复。

发明内容

本发明的目的在于提供一种深度学习SSD算法结合KCF算法的多目标跟踪系统。

本发明的目的可以通过以下技术方案实现：

一种深度学习SSD算法结合KCF算法的多目标跟踪系统，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。

进一步地，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；