[发明专利]一种基于CSSD的电力检修行人多目标跟踪算法

说明书

本发明涉及深度学习目标检测跟踪领域，尤其是一种基于CSSD的电力检修行人多目标跟踪算法，本发明提供了一种基于CSSD的电力检修行人多目标跟踪算法，利用CSSD网络来进行图像中人员的检测，并对图像中人员的特征向量进行暂存，结合各个人员的特征图进行余弦相似度评估进行前后帧人员的匹配，实现视频流中人员的追踪，从而最大程度的适应目标的尺寸和角度改变等，有效地提高行人目标跟踪准确率。

技术领域

本发明涉及深度学习目标检测跟踪领域，尤其是一种基于CSSD的电力检修行人多目标跟踪算法。

背景技术

电力检修场景的安全监控对于生产安全至关重要，监控视频下的行人安全监控跟踪，是电力检修场景大规模智能监控系统的重要研究方向。而不同光照明暗程度和每帧图片的人形角度、尺寸等的差异以及行人遮挡问题都会影响行人目标追踪的准确度，目前的计算方案和方法不能很好的解决上述问题。

发明内容

为解决上述问题，基于行人多目标追踪技术，在原有SSD(Single Shot MultiBoxDetector)算法的基础上，提出具有快速准确优势的CSSD算法(Correct Single ShotMultiBox Detector)应用于多目标人员追踪，提高行人检测跟踪的整体准确率。

本发明提供了一种基于CSSD的电力检修行人多目标跟踪算法，利用CSSD算法来进行图像中人员的检测，并对图像中人员的特征向量进行暂存，结合各个人员的特征图进行余弦相似度评估进行前后帧人员的匹配，实现视频流中人员的追踪，从而最大程度的适应目标的尺寸和角度改变，有效地提高行人目标跟踪准确率。其采用的技术方案如下：

一种基于CSSD的电力检修行人多目标跟踪算法，包括以下步骤：

S1.对视频流图像进行解码，获取监控图像；

S2.将步骤S1中获取的图像数据输入SSD特征提取网络，获得特征图；

S3.将特征图经由辅助卷积层获得多尺度特征图，在多尺度特征图上分别进行特征类别分类和坐标回归；

S4.将行人坐标映射到步骤S2中的特征图中，获得行人特征向量；

S5.对步骤S4中图像内的各行人特征向量进行逐帧暂存；

S6.将步骤S4中获得的特征向量与暂存的前一帧图像中的多个行人的特征向量进行比对，计算两帧图像中行人特征向量的余弦相似度；

S7.根据步骤S6中行人特征相似度的大小进行排序，对相邻帧的图像中的目标行人进行匹配；

S8.重复步骤S2至步骤S7，实现视频流中行人的多目标跟踪。

在上述方案的基础上，所述步骤S4的具体步骤为，

依据特征提取网络的结构计算出步骤S3中的行人坐标在特征图中的数值，行人坐标在特征提取网络单层网络中的计算公式如式(1)所示，其中和p分别为传播前后的坐标，padding为填充，stride为步长，对于原始坐标通过卷积坐标计算与池化坐标计算获得在特征图中的区域坐标，最终在特征图中获得行人特征向量；

优选地，所述步骤S6中余弦相似度cos(θ)的计算公式如式(2)所示，

其中x和分别为当前帧和前一帧图像中行人的特征向量，x_i和分别为当前帧和前一帧图像中行人的特征向量的第i个参数，余弦相似度越大、越接近1表明两个向量越接近、匹配的可能性越大。