[发明专利]一种无人机视频人员识别追踪的方法

说明书

本发明提供一种无人机视频人员识别追踪的方法，涉及视频处理领域，包括以下步骤：S1：准备需要识别的无人机视频，得到预训练权重，再人工标注无人机视频，得到样本集；S2：基于预训练权重，再次使用RetinaNet模型训练样本集，得到网络权重；S3：基于所述网络权重，基于RetinaNet提取每一帧视频画面中的多个目标人员特征，并对多个目标人员进行分类和定位，对视频画面中的每个目标人员打框；S4：连续处理每一帧视频画面，基于deepsort多目标跟踪算法，完成对每个人员目标的持续追踪，并对每一帧视频画面中的目标人员标号；S5：输出打框和标号后的视频。本发明针对无人机的特点，对无人机视频进行自动化人员识别分析，实现对人员目标的识别追踪方法。

技术领域

本发明涉及视频处理领域，特别是涉及一种无人机视频人员识别追踪的方法。

背景技术

现有无人机视频识别算法中，没有针对人员识别的算法。而传统的视频人员识别算法，包含基于特征的图像处理、深度学习目标识别方法等，多数只针对摄像头视频；而传统的摄像头与无人机拍摄的视频角度、距离都相差较大，无人机视频拍摄时，由于镜头移动、目标走动、视角转动等因素，导致使用传统视频算法应用在无人机视频中效果很差，甚至不能识别出人员特征，无法完成人员识别的需求。因此实现无人机视频的人员识别追踪方法，必须要克服无人机的视角转动、镜头移动等特点，提取人员特征，并在无人机拍摄场景中做到一定通用性，适应无人机拍摄过程中的多变因素。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种无人机视频人员识别追踪的方法，针对无人机的特点，对无人机视频进行自动化人员识别分析，实现对人员目标的识别追踪方法。

本发明提供一种无人机视频人员识别追踪的方法，所述方法包括以下步骤：

S1：准备需要识别的无人机视频，基于RetinaNet模型训练VisDrone2019数据集，得到预训练权重，再通过图像标定工具Labelimg人工标注无人机视频，得到样本集；

S2：基于预训练权重，再次使用RetinaNet模型训练样本集，得到网络权重；

S3：基于所述网络权重，基于RetinaNet提取每一帧视频画面中的多个目标人员特征，并对多个目标人员进行分类和定位，再调用画图方法对视频画面中的每个目标人员打框；

S4：连续处理每一帧视频画面，基于deepsort多目标跟踪算法，利用卡拉曼滤波和匈牙利算法做预测和数据关联，完成对每个人员目标的持续追踪，并对每一帧视频画面中的目标人员标号；

S5：输出打框和标号后的视频。

于本发明的一实施例中，无人机视频的拍摄高度需在15米-30米内，拍摄角度约为斜向下45°

优选的，步骤S2中，在无人机拍摄的视频画面中，网络权重可以提高检测到目标人员特征的准确度。

于本发明的一实施例中，步骤S4中，每一个目标人员都有唯一的编号，利用deepsort多目标跟踪算法对每一帧视频中的目标人物进行打框和标注。

于本发明的一实施例中，步骤S5中，每一帧视频画面中均有可能标记处目标人物，输出的视频为处理后的连贯的打框和标号视频。

如上所述，本发明具有以下有益效果：

本发明能够自动识别无人机视频中的目标人员，提高目标发现效率。原有的无人机视频需要通过人工查看，目标识别效率低，且需要持续投入人力，本发明提供的自动化算法打破原有模式，利用算法自动识别和追踪多个目标人员，减少了人力的投入。同时，本发明可以结合无人机自动巡飞场景，适用于对景区或者活动场所的人员的监控，实现全自动的无人机视频智能分析。

附图说明

图1显示为本发明公开的流程图。