[发明专利]一种基于背景建模和IoU匹配的多目标跟踪方法

说明书

本发明公布了一种基于背景建模和IoU匹配的多目标跟踪方法，它包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)基于背景建模算法的跳帧策略；6)使用卷积神经网络模型对兴趣区域进行目标检测；7)基于IoU匹配的目标跟踪；8)动态调整参数策略。本发明通过结合背景建模方法引入了跳帧机制，进行实时的目标跟踪，具有极大的实用价值，极大节约了计算资源，具有对环境变化较强的鲁棒性，本发明的多目标跟踪方法，可以应用于智能交通系统，为交通拥堵检测、异常停车等异常事件提供实时的车辆目标跟踪，以降低人力资源成本、保证交通安全、提高通行效率。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于背景建模和IoU匹配的多目标跟踪方法。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，目标跟踪算法越来越成为计算机视觉领域中研究的热点问题。通常目标跟踪算法的目的是在视频序列图像中识别出同一目标在不同时间点的位置。尽管当前目标跟踪技术取得了比较大的突破，但是其依然是一项具有挑战性的任务，目标遮挡、实时性等问题一直是目标跟踪的难点。

现有的目标跟踪方法主要分为两种，一种是基于生成式模型方法，另一种是判别式模型方法。生成式模型方法通常是对目标进行建模，再在下一帧进行搜索。著名的卡尔曼预测方法通过对跟踪目标运动轨迹进行建模，预测得到跟踪目标下一帧的位置。卡尔曼预测计算速度快，但是需要目标符合高斯运动规律。判别式模型方法则是先使用目标检测算法进行目标检测，之后再进行目标关联。比较流行的有KCF目标跟踪方法，但其本质上是一种单目标跟踪手段。当将KCF应用于多目标跟踪时，会存在计算复杂度呈指数增长的情况。之后随着深度学习的发展，有学者提出了使用Siam RPN卷积神经网络直接进行目标跟踪，跟踪精度高，但由于极大的计算消耗以及实时性差的问题，而无法被实际使用。Bochinski等人提出IoU Tracker进行多目标跟踪方法，但是其IoU跟踪阈值需要人为调整，且在运行过程中不可变。

而当前与本发明类似的运动目标检测方法有：发明专利(申请号：CN202010547158.6，名称：一种基于IOU匹配的双滤波器视频多目标跟踪方法)公开了一种基于IOU匹配的双滤波器视频多目标跟踪方法，但是其IoU阈值需要人为设置且固定不变，而本发明的IoU阈值是根据目标运动速度动态变化的；此外本发明通过结合背景建模方法引入了跳帧机制，极大节约了计算资源，因此两者存在明显的区别。

发明内容

为克服现有技术上计算资源浪费、实时性较差等的不足，本发明的目的在于提供一种基于背景建模和IoU匹配的多目标跟踪方法，本发明通过结合背景建模方法引入了跳帧机制，极大节约了计算资源，并进行实时的目标跟踪。

为实现上述发明，采用的技术方案如下：

所述的一种基于背景建模和IoU匹配的多目标跟踪方法，其特征在于包括如下步骤：

1)对相机预置位设置以及相机标定：将进行目标跟踪时相机所处的固定位置设置为预置位，之后截取相机视频流的一帧图像，在其上进行目标跟踪兴趣区域标定；

2)卷积神经网络模型初始化：将卷积网络模型加载到GPU显卡中以及权重参数恢复；

3)获取实时视频流；

4)检查相机工作状态：工作状态正常，将获取的视频流进入步骤5)处理，工作状态不正常，清空跟踪队列并跳过当前视频帧，重复步骤3)；

5)基于背景建模算法的跳帧策略：判断当前帧是否处于非跳帧阶段，其处于非跳帧阶段，直接进入步骤6)，若处于跳帧阶段，则进行进一步处理，处理后发现当前兴趣区域内不存在目标，则跳过当前帧，返回步骤3)；若存在目标，则进入非跳帧阶段，继续执行步骤(6)；

6)使用卷积神经网络模型对兴趣区域进行目标检测，得到当前帧的目标检测结果；