[发明专利]一种基于多尺度行人检测的目标跟踪方法

说明书

本发明公开了一种基于多尺度行人检测的目标跟踪方法，涉及智能视频监控、计算机视觉等领域。包括以下步骤：首先在经典检测算法SSD的基础网络中叠加一系列卷积预测块，使之能检测尺度不同的候选行人目标，然后采用卡尔曼滤波算法迭代地预测和更新行人目标的运动状态，并且结合目标表观特征、运动特征及形状大小特征，构建融合关联矩阵以计算总的相似度，最后采用匈牙利算法进行行人目标和运动轨迹的关联，实现多目标行人跟踪。本发明所提方法针对视频中行人目标尺寸大小变化以及相互遮挡等特点，以改善多目标行人跟踪效果为目的，有效地降低了由目标相互遮挡导致跟踪失败的比率，可以应用于智能视频监控等领域。

技术领域

本发明涉及一种基于多尺度行人检测的目标跟踪方法，属于计算机视觉与智能信息处理领域。

背景技术

视频多目标跟踪技术是计算机视觉领域的重要课题之一，在智能视频监控、人机交互和无人驾驶等多种视频分析场景中有着广泛的应用。近年来随着目标检测技术的研究进展，基于检测的多目标跟踪算法已成为当前多目标跟踪领域的主流算法。一般情况下，多目标问题可以看作是一个数据关联问题，其目的是将视频序列中连续帧的检测结果关联起来。当预先训练好的检测器给出目标行人的检测结果时，将检测结果与跟踪预测得到的结果进行关联匹配，从而得到目标的运动轨迹。其中，匈牙利算法是目前多目标跟踪算法中使用最多的数据关联方法。然而光照变化、背景杂乱、遮挡等因素影响使得视频连续帧中目标之间的轨迹关联变得困难。为了辅助数据关联过程，跟踪器使用各种方法对场景中物体的运动和外观进行建模。除此之外，利用行人重识别领域的训练模型来提取目标的深度表观特征，并将深度表观特征引入多目标跟踪算法也可以提高多目标跟踪算法的鲁棒性。

发明内容

本发明提出了一种基于多尺度行人检测的目标跟踪方法，首先使用经典检测算法SSD的网络结构，在SSD框架的基础网络中叠加一系列卷积预测块，使之能检测尺度不同的候选行人目标，然后采用卡尔曼滤波算法迭代地预测和更新行人目标的运动状态，并且结合目标表观特征、运动特征及形状大小特征，构建融合关联矩阵以计算总的相似度，最后采用匈牙利算法进行行人目标和运动轨迹的关联，实现多目标行人跟踪。

本发明通过以下技术方案来实现上述目的：

(1)行人目标检测：输入视频，采用多尺度行人检测方法对视频中不同尺度的行人目标的位置进行有效的检测；初始化跟踪目标，采用基于卡尔曼滤波模型的跟踪算法预测目标的运动状态；

(2)目标特征提取：提取目标区域的表观特征、运动特征和形状大小特征，计算目标外观特征矩阵、运动特征矩阵以及形状大小特征矩阵，然后构建融合关联矩阵；

(3)目标关联：利用卡尔曼滤波模型迭代地预测和更新目标的状态，检测到行人目标的位置之后，采用匈牙利算法对视频中行人目标的检测结果和跟踪轨迹进行关联；

(4)目标状态更新：将行人目标的检测结果和跟踪预测信息相互结合，并更新行人目标的运动状态和跟踪轨迹。

附图说明

图1为本发明基于多尺度行人检测的目标跟踪方法框图；

图2为本发明基于多尺度行人检测模型框架图；

图3为本发明形状相似度结构框图。

具体实施方式

下面结合附图对本发明作进一步说明：

建立多尺度行人检测模型的过程如下：