[发明专利]一种基于摄像头的视觉多目标跟踪方法

说明书

本发明公开了一种视觉多目标跟踪方法，其包括如下步骤：(1)通过yolo‑v2方法检测待检视频的t1帧图像，获得多个第一检测目标；(2)利用KCF跟踪器对第一检测目标进行跟踪，得到跟踪目标，并获得跟踪目标在t1～t2时间内的轨迹；(3)通过yolo‑v2方法检测待检视频的t2帧图像，获得多个第二检测目标；(4)计算跟踪目标和第二检测目标为同一目标的概率，对这两者进行关联并分配跟踪编号；(5)将未分配到编号的跟踪目标移出KCF跟踪器，同时将未分配到编号的第二检测目标加入KCF跟踪器。本发明的跟踪方法，通过将yolo‑v2的检测目标与KCF跟踪器的跟踪目标相关联，实现对目标的有效跟踪，在保证跟踪精度的同时提升了跟踪速度，并能够很好的达到实时性要求。

技术领域

本发明涉及无人驾驶领域，具体涉及一种基于摄像头的视觉多目标跟踪方法。

背景技术

无人驾驶车辆在驾驶过程中需要进行环境感知，并根据环境信息实现车辆控制和路径规划，其中多目标跟踪是环境感知中非常重要的一环，能够实现对行人、自行车和车辆等目标的状态估计和跟踪。目前，用于实现多目标跟踪的传感器有多种，其中车载摄像头因其精度高、成本低的优势而得到广泛应用。

目前应用于摄像头的多目标跟踪方法主要有两种，基于目标检测的跟踪以及基于初始化帧的跟踪。但是，这两种方法均各有其优缺点。其中基于目标检测的跟踪，是在视频的每帧中检测目标，并通过各帧之间的目标关联实现跟踪效果，该方法可应对新目标和消失目标，但对目标检测效果和速度的依赖程度高，由于目前目标检测多采用深度学习方法，速度较慢，所以该方法的实时性不高；而基于初始化帧的跟踪，是在视频的初始帧选定多个目标，之后交由单跟踪算法实现多个目标跟踪，该方法速度快，但缺点明显，它无法跟踪新目标和移除消失目标，且目标易漂移。

发明内容

本发明的目的是克服现有技术的不足，提供一种改进的基于摄像头的视觉多目标跟踪方法。

为达到上述目的，本发明采用的技术方案是：

一种基于摄像头的视觉多目标跟踪方法，所述跟踪方法包括如下步骤：

(1)选取待检测的视频，并通过yolo-v2方法检测所述视频的t1帧图像，获取所述t1帧图像中的多个第一检测目标的第一目标检测结果以及第一目标特征向量；

(2)利用KCF跟踪器对获取的多个所述的第一检测目标进行跟踪，此时所述的多个第一检测目标成为所述KCF跟踪器的跟踪目标，并获得所述跟踪目标在t1～t2时间内的轨迹以及跟踪目标结果，其中所述跟踪目标的跟踪目标特征向量与所述第一目标特征向量相同；

(3)通过yolo-v2方法检测所述视频的t2帧图像，获取所述t2帧图像中的多个第二检测目标的第二目标检测结果以及第二目标特征向量；

(4)计算所述跟踪目标和所述第二检测目标为同一目标的概率，根据所述概率对这两者进行关联，并为能够实现关联的目标分配跟踪编号；

(5)将未分配到编号的跟踪目标移出所述的KCF跟踪器，同时将未分配到编号的第二检测目标加入所述的KCF跟踪器，随后自所述步骤(2)开始重复上述步骤，直至跟踪任务结束，并得到所述跟踪目标的最终轨迹。

优选地，在所述步骤(1)中，选取待检测的视频之后还进一步包括：对所述待检测的视频进行解帧，并将所述视频流转为图像序列。

优选地，所述的yolo-v2方法包括：搜集训练样本并预训练一个卷积神经网络模型，将待检测帧的图像输入所述的卷积神经网络模型，得到目标检测结果，并从预先选定的卷积层中分别抽取出所述的待检测帧图像中每个目标的目标特征向量。

优选地，所述的KCF跟踪器的跟踪原理包括：

a、在待检测帧的图像中选定跟踪目标，并生成训练样本，得到目标检测器；