[发明专利]一种使用深度关联度量的行人多目标跟踪方法

权利要求书

1.一种使用深度关联度量的行人多目标跟踪方法，其特征在于，所述方法包括以下步骤：

S1、使用一个预训练过的模型，在已知行人检测数据集上训练并微调，作为目标检测器；

S2、搭建特征提取网络，在行人重识别数据集上训练，用于提取目标外观信息；

S3、对视频中每一帧使用目标检测器检测，并对每个目标进行轨迹处理和状态估计，用于提取目标运动信息；

S4、将每帧中框选出目标的运动信息和外观信息集成来与上一帧的候选框进行匹配。

2.根据权利要求1所述的一种使用深度关联度量的行人多目标跟踪方法，其特征在于，所述S1具体包括：

S11、获取行人检测数据集Caltech Pedestrian Detecion,并随机分成六等分；

S12、使用已经在ImageNet上预训练过的模型，在行人检测数据集上采用6-fold交叉验证训练，并调整参数作为目标检测器。

3.根据权利要求1所述的一种使用深度关联度量的行人多目标跟踪方法，其特征在于，所述S2具体包括：

S21、获取大规模ReID数据集，按比例划分为训练集、测试集和验证集；

S22、在训练集上进行训练，最终输出128维特征向量；

S23、标准化后将特征向量投影到一个超球面。

4.根据权利要求1所述的一种使用深度关联度量的行人多目标跟踪方法，其特征在于，所述S3具体包括：

S31、对视频中的每一帧使用目标检测器检测，将画面中的行人用候选框标注出来；

S32、对每个候选框都采用不同的颜色和ID来标识区分；

S33、使用一个8维空间去刻画轨迹在某时刻的状态，然后使用卡尔曼滤波预测更新轨迹；

S34、对每个轨迹K分配一个计数器，当超过预定义最大范围A_max的轨迹将会从轨迹集中删除，对不能与现有轨迹相关联的每个检测，都会启动新的轨迹假设。

5.根据权利要求1所述的一种使用深度关联度量的行人多目标跟踪方法，其特征在于，所述S4具体包括：

S41、使用马氏距离作为运动信息的度量，如果关联的马氏距离小于指定的阈值，则认为运动状态关联成功；

S42、使用S2中训练好的特征提取网络提取出每个检测目标的目标外观信息，计算最小余弦距离作为外观信息的度量；

S43、使用上述两种度量方式的线性加权作为最终的度量；

S44、使用级联匹配算法，针对每个目标检测器都会分配一个跟踪器，每个跟踪器会设定一个time_since_update参数，根据这个参数来对跟踪器分先后顺序；

S45、在匹配的最后阶段对未匹配的轨迹和检测目标进行基于IOU的匹配。