[发明专利]一种基于双阶段卷积神经网络的目标跟踪方法及系统

权利要求书

1.一种基于双阶段卷积神经网络的目标跟踪方法，其特征在于：包括以下步骤，

S1，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；

S2，将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；

S3，利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。

2.根据权利要求1所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：还包括，

S4，根据帧图片中检测目标实时位置信息进行决策告警。

3.根据权利要求2所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：所述S4具体为，若在预设时间内，前、后帧图像中检测目标的中心点之间的欧式距离小于预设阈值，则判定为检测目标处于静态，并发出告警。

4.根据权利要求1至3任一项所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：所述S1具体为，获取检测区域内的视频流，并按预设帧率跳帧，从视频流中得到多帧帧图片。

5.根据权利要求1至3任一项所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：在所述S2之前，还包括训练YOLOv3目标检测改进模型的步骤，

训练YOLOv3目标检测改进模型，具体包括如下步骤，

采集多种场景下带有目标的图片，并进行数据增强处理和标注处理，得到数据集，且按照预设的比例将所述数据集分为训练集和验证集；

基于YOLOv3目标检测模型构建YOLOv3目标检测改进模型；

利用所述训练集对所述YOLOv3目标检测改进模型进行多次迭代训练，利用所述验证集对每次训练后的YOLOv3目标检测改进模型进行验证，输出所述验证集的平均精度均值，选取输出平均精度均值最大的YOLOv3目标检测改进模型作为训练好的YOLOv3目标检测改进模型。

6.根据权利要求5所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：进行数据增强处理的具体步骤为，

对采集的多种场景下带有目标的图片进行水平翻转或/和垂直翻转或/和随机裁剪或/和随机角度旋转或/和对比度调整或/和亮度调整，得到多种场景下带有目标的处理图片；

进行标注处理的具体步骤为，

使用标注工具将多种场景下带有目标的图片和多种场景下带有目标的处理图片中的目标用目标标注框框出，生成xml格式的标记信息文件，其中标记信息文件中记录有目标标注框的左上角坐标和右下角坐标。