[发明专利]目标检测与追踪方法、装置、系统、介质和设备

说明书

本发明公开了一种目标追踪方法、装置、系统、介质和设备，包括：搭建多目标检测器模型和多目标追踪器模型，然后训练得到多目标检测器和多目标追踪器；将采集到的图像输入到多目标检测器中，检测出目标；将多目标检测器的输出输入到多目标追踪器，对目标进行追踪；上述用于搭建多目标检测器模型卷积神经网络包括依次连接的输入层、第一卷积层、第一最大汇合层、第二卷积层、第二最大汇合层、第三卷积层、第三最大汇合层、第四卷积层、第四最大汇合层、第五卷积层、第六卷积层、全连接层和输出层，本发明适用于小型无人车、移动机器人等含有低算力嵌入式设备的自动驾驶设备，能够有效提高这些自动驾驶设备完成多目标检测与追踪任务的准确度和速度。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种目标检测与追踪方法、装置、系统、介质和设备。

背景技术

随着时代的进步和科技的发展，智能移动机器人越来越多的出现在人们的视野中，计算机视觉是当代机器人的重要组成部分之一，相机是机器人感知外界环境、获取信息的重要传感元件，通过对相机获取到的图像信息中的物体进行检测及追踪是智能机器人最重要和基础的技术之一。

在计算机视觉领域，传统的目标检测算法通常包含三个阶段：首先在输入图像上选择一些不同尺度的候选区域，然后对这些候选区域使用Harr、HOG等方法进行特征提取，最后通过SVM等机器学习分类算法对结果进行分类预测。这些检测方法的效果很大程度上取决于背景模型获取质量的好坏及人工选择特征质量的高低，它们费时费力的同时识别效果欠佳，模型通用性较差，对于复杂情况下多目标检测与追踪任务更是感到力不从心。

近些年，得益于硬件性能的提升及卷积神经网络算法的突破，深度学习成为一个越来越热门的领域。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的基于区域的卷积神经网络是第一个真正多层结构的学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。

随着深度学习的提出，其在各个领域的应用也逐渐被学界和工业界发掘出来，针对目标检测和追踪提出了一系列的方法和框架，如R-CNN、Fast-RCNN、Faster-RCNN等Two-Stage方法，以及以YOLO、SSD为代表的One-Stage方法，这些方法各自针对目标检测的准确度和运算速度做了优化，均在它们提出的时期代表了当时最先进的方法。然而，这些方法存在一个较大的问题，即网络在学习和预测过程中计算量太大。它们无一例外都是运行在桌面GPU或者工作站中，虽然模型具有较好的预测效果，但是搭载这些模型的平台对于能耗的要求过高，在应用于移动机器人上时对于能源储备提出了很高的要求，而搭载GPU的嵌入式设备虽然相对能耗小了很多，但是算力极为有限，对于大型网络无法在高准确度的情况下保持较快的运行速度，无法做到实时的目标检测和追踪。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种目标检测与追踪方法，该方法适用于小型无人车、移动机器人等含有低算力嵌入式设备的自动驾驶设备，能够有效提高这些自动驾驶设备完成多目标检测与追踪任务的准确度和速度。

本发明的第二目的在于提供一种目标检测与追踪装置。

本发明的第三目的在于提供一种目标检测与追踪系统。

本发明的第四目的在于提供一种存储介质。

本发明的第五目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种目标检测与追踪方法，应用于自动驾驶设备，所述方法包括：

基于卷积神经网络搭建多目标检测器模型；

按照马尔科夫决策规则构建卷积神经网络，作为多目标追踪器模型；