[发明专利]一种基于显著性检测的分层多目标跟踪方法

说明书

本发明涉及一种基于显著性检测的分层多目标跟踪方法，包括以下步骤：构建基于已有标准数据集与人工标注混合的混合数据集；构建道路交通场景显著性区域检测子网络生成显著性区域与非显著性区域；利用目标检测算法检测每一帧目标；构建卷积网络、长短时记忆与图卷积网络相结合的多目标跟踪网络模型，并跟踪显著性区域目标；构建并行KCF池对非显著性区域内目标进行单目标跟踪；将显著性区域与非显著性区域轨迹结合并后处理生成整体轨迹。本发明通过增加快速显著性检测方法，生成显著性区域包围框，对以输入检测和跟踪目标；能够加快检测速度同时，保持检测精度；可为真实情景下自动驾驶多目标跟踪降低计算复杂度，加速跟踪。

技术领域

本发明属于自动驾驶环境感知技术领域，具体涉及一种深度学习的多目标跟踪方法，特别涉及一种基于显著性检测的分层多目标跟踪方法。

背景技术

多目标跟踪是自动驾驶环境感知中重要研究领域，在实际应用中涉及到计算机视觉、传感器理论、通信理论及交通工程等，可以为自动驾驶之后的决策控制提供基础数据。这一任务中最主要需求就是对道路场景下行人和车辆等目标进行精准跟踪。

多目标跟踪性能由跟踪精度和跟踪速度两个指标组成。基于实际复杂交通环境中的背景复杂、目标密度大且随机移动、遮挡频繁等因素，多目标跟踪很难实现准确度和速度的共同提高。针对这一问题，相关科研人员近年来在提高跟踪准确度和鲁棒性方面做出大量研究，逐渐在克服以上因素的干扰。2008年，Li Zhang等人将多目标跟踪问题建模为最小消耗网络流问题，并在此基础上提出一种全局数据关联算法。2015年，Milan等人提出离散-连续能量最小化方法，利用条件随机场针对多目标跟踪中多种交互状态进行精细建模，其数学理论基础非常完善，在相关领域引起很大关注。

随着深度学习在计算机视觉等领域引入，多目标跟踪也有了较大发展。以卷积神经网络和循环神经网络等算法引入，较大提高算法检测精度，但是仍然不能满足交通场景方面的需求。以代表性深度学习类多目标跟踪类算法为例，其网络模型加载和计算难以在车载计算平台上实现全部性能。

传统多目标跟踪一般分为包围框生成和数据关联两个方面。其中，包围框一般为通过检测算法提供，而数据关联算法因其多样性与适用性而被广泛研究。深度学习类多目标跟踪通常是将以上两个合并为端到端跟踪框架，并会增加检测增强和注意力机制等模块，取得精确度提高。2017年Chu等人将多目标跟踪算法中的检测模块替换为单目标跟踪器，在跟踪过程中每个目标都有其单独的在线跟踪器，为了解决遮挡和交互引起的跟踪漂移问题，在网络结构中引入基于可视化图的时间-空间注意力机制。2018年，Zhu等引入消耗敏感损失函数，并结合最新的单目标跟踪算法建立双重注意力机制网络，在空间注意力网络中引入孪生结构以处理噪声检测和遮挡，并利用时间注意力机制分配样本在轨迹段中重要程度。2019年，凌海滨等人提出实例自意识多目标跟踪器，将跟踪过程分为目标与背景抽离和对不同目标进行建模两部分，并不断评价和更新模型，在目前公开的多目标跟踪数据集上取得最好效果。

但是，深度多目标跟踪算法仍然面临计算速度过慢的难点，一般的方法是通过模型压缩或者剪枝方式降低模型大小，可在一定程度上减缓这一问题。同时，组合式方法能够从其他计算机视觉任务中获取灵感，加速多目标跟踪算法整体进程。

发明内容

本发明的目的是克服现有多目标跟踪算法中存在计算资源消耗大，计算速度低的不足，提供一种基于显著性检测的分层多目标跟踪方法，能够在保证一定准确度前提下，降低计算成本，实现快速多目标跟踪。

本发明的目的是通过以下技术方案实现的：

一种基于显著性检测的分层多目标跟踪方法，其特征在于，包括以下步骤：