[发明专利]一种基于深度学习的多目标跟踪视频巡店方法

说明书

本发明公开了一种基于深度学习的多目标跟踪视频巡店方法，涉及深度学习的多目标跟踪技术领域。本发明包括如下步骤：P1、用工业相机采集高清视频；P2、将采集完成的视频上传至库存盘点系统；P3、将巡店视频输入训练好的YOLO V3+DeepSort模型中；P4、根据预测结果进行货物盘点和后续操作；步骤P3中YOLO V3+DeepSort模型包括Detection跟踪步骤以及track跟踪步骤。本发明应用非图像特征，显著提升了商品规格分类的识别准确率，同样适用于同种商品不同规格的识别。

技术领域

本发明属于深度学习的多目标跟踪技术领域，特别是涉及一种基于深度学习的多目标跟踪视频巡店方法。

背景技术

对于线下零售商店或超市，货架上商品货物的盘点是一项耗时耗力的任务。尤其是商业超市，需要每天整理库存信息，及时对货架商品进行补货操作。

传统零售店的货物盘点一般都是人工，这样耗费大量人力，且很容易造成误检和漏检的问题。随着智能化加速，先进很多大型超市已经开始使用机器智能盘点货物。其根本技术是基于视频，进行视觉识别和物体跟踪。

传统的视觉目标跟踪流程即给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。需要手动提取特征所以速度慢，无法处理和适应复杂的跟踪变化，鲁棒性和准确度都比较差.。因此，针对以上问题，提供一种基于深度学习的多目标跟踪视频巡店方法具有重要意义。本发明提供了。因此，针对以上问题，提供一种基于深度学习的多目标跟踪视频巡店方法具有重要意义。

发明内容

本发明提供了一种基于深度学习的多目标跟踪视频巡店方法，解决了以上问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明的一种基于深度学习的多目标跟踪视频巡店方法，包括如下步骤：

P1、用工业相机采集高清视频；

P2、将采集完成的视频上传至库存盘点系统；

P3、将巡店视频输入训练好的YOLO V3+DeepSort模型中；

P4、根据预测结果进行货物盘点和后续操作。

进一步地，所述步骤P3中YOLO V3+DeepSort模型包括Detection跟踪步骤以及track跟踪步骤；

所述Detection跟踪步骤，包括如下步骤：

S1、分配Track indices和Detection indices；

S2、计算Cost matrix此处只有cosine distance；

S3、计算Kalman预测的每个track平均轨道的位置和实际detect的BBox间的平方马氏距离cost matrix；

S4、将cisine cost matrix中track和detection间平方马氏距离大于阈值，即不满足b的对应值置为无穷大，方便后续计算

S5、将cosine cost matrix中track和detecion间cosine距离大于阈值，即不满足b的对应值置为较大，方便后续删除；

S6、使用Hungarian算法对track和detect进行匹配，并返回匹配结果；

S7、对匹配对结果进行筛选,删去appearance较大对匹配，即cosion disance过大；并返回值步骤S02并循环检测帧数；

S8、得到初步的matches，unmatched tracks和unmatched detections；