[发明专利]一种基于对象空间关系的目标跟踪算法

权利要求书

1.一种基于对象空间关系的目标跟踪算法，其特征在于：具体包括以下步骤：

G1、以图像的特征和目标在图像中的位置作为输入，并利用五层卷积小网络来捕获两帧图像中目标的关联性，最终获得目标间的特征相似矩阵，具体步骤如下：

S1、获取以Ft、F_t+n作为模型输入，时间间隔为n的两帧图像，然后从轻量级行人检测模型骨干网络得到第8倍下采样、第16倍下采样和第32倍下采样特征图的集合，其通道数分别为384、192、96；

S2、获取以Bt、B_t+n作为模型输入，时间间隔为n的两帧图像中所有行人目标框的集合，再经过特征降维之后三层特征图的通道数降为192、96、48；将行人目标框Bt、B_t+n转换为目标中心点坐标，在三层特征图上分别找到对应的特征点，同一目标的三个特征点按通道拼接在一起作为目标的特征向量，每个目标的特征向量维度为336；t表示自然数；

S3、获取每帧图像中能够同时跟踪到的最大目标数量N_maX，N_maX设为80，然后根据公式(1)、公式(2)获得两帧图像中的所有目标特征向量构成的特征矩阵；

其中：当图像中目标数小于N_maX时，特征矩阵用零填充，中的第i行表示t时刻图像帧中第i个目标的特征；

S4、根据公式(3)，获得由中所有目标向量穷举排列，并按通道拼接得到的混合特征向量；

其中：F_per的第i行第j列个元素是由中第i行特征向量与中第j行特征向量在通道维度拼接得到的，F_per中每个元素的维度为672；

S5、然后将由5个卷积核为1×1的普通卷积模块组成的小网络定义为MapNet，用来捕获目标表观特征的相似性，其中通道数分别为336、168、84、42、1，同时在整个网络中不改变输入特征图的分辨率；

S6、最后按照公式(4)模型输出，并进行编码两帧图像目标间特征的相似程度，以此获得目标间的特征相似矩阵；

其中：中第i行表示t时刻图像帧中第i个目标的特征与t+n时刻图像帧中所有目标的特征间的相似性，第j列表示t+n时刻图像帧中第j个目标的特征与t时刻图像帧中所有目标的特征间的相似性，上述各个步骤中涉及到的t表示自然数；

G2、获取目标中心点的距离作为目标间的空间相似矩阵，将空间相似矩阵与特征相似矩阵做哈达玛积，同时计算目标的关联性，防止将表观特征相似性大但空间位置相距较远的目标进行错误关联，最终得到目标跟踪结果；

所述空间相似矩阵的具体计算步骤如下：

K1、将Bt、B_t+n作为轻量级行人目标检测模型得到的目标框，Center作为每个目标的中心坐标，为t时刻图像帧中的目标与t+n时刻图像帧中的目标的空间相似性，S_i,j为的简写，表示t时刻图像帧中第i个目标与t+n时刻图像帧中第j个目标的空间相似性，然后将S_i,j按以下计算方式为：

其中d_i,j∈(0,1)为t时刻图像帧中第i个目标与t+n时刻图像帧中第j个目标间的归一化距离，即图像上欧式距离与图像对角线距离的比值，其中图像的对角线为两个目标在图像中的最大距离；

K2、得到两个目标之间的空间距离之后，使用一个简单的径向基函数e^-x带入公式(6.1)中将目标间的空间距离转化为空间相似性。

2.根据权利要求1所述的一种基于对象空间关系的目标跟踪算法，其特征在于：需要将目标在图像上的欧式距离做归一化处理，同时公式(6.1)也是一个归一化操作后，将目标间的空间相似性归一化到目标最大空间相似性与最小空间相似性区间，两个目标的欧式距离经过归一化之后，最小距离为0，其中中心点重叠，相似性最大：e⁰＝1；最大距离为1，即中心点分别位于图像的对角点，相似性最小：e^-1。