[发明专利]一种行人多目标跟踪方法、装置、智能终端及存储介质

权利要求书

1.一种行人多目标跟踪方法，其特征在于，所述方法包括：

获取目标神经网络模型，其中，所述目标神经网络模型包括：用于提取输入图像的总特征获取特征图的合一模型，用于对所述特征图进行分离的分离结构，和基于分离后的特征图分别预测获取目标的外观特征向量和目标信息的外观特征提取子模型和检测子模型；

获取目标视频序列；

基于所述目标神经网络模型对所述目标视频序列进行行人多目标跟踪，获取跟踪结果；

输出所述跟踪结果。

2.根据权利要求1所述的行人多目标跟踪方法，其特征在于，所述获取目标神经网络模型，包括：

构建待训练神经网络模型；

获取训练集；

基于所述训练集对所述待训练神经网络模型进行训练，获取所述目标神经网络模型。

3.根据权利要求2所述的行人多目标跟踪方法，其特征在于，所述获取训练集包括：

获取检测数据集和行人重识别数据集；

基于所述检测数据集和所述行人重识别数据集中的数据进行自动标注获取训练集。

4.根据权利要求3所述的行人多目标跟踪方法，其特征在于，所述基于所述检测数据集和所述行人重识别数据集中的数据进行自动标注获取训练集包括：

分别基于所述检测数据集和所述行人重识别数据集获取检测图像和行人重识别图像；

将所述行人重识别图像分割为黑白二值图像；

提取分割后的掩膜在所述行人重识别图像中的对应部分，作为分割图像；

预测所述检测图像的深度信息，基于所述深度信息对所述检测图像划分区域；

基于所述分割图像的尺寸将所述分割图像贴在所述检测图像的对应区域，获得训练图像；

基于所述训练图像的集合获得所述训练集。

5.根据权利要求2所述的行人多目标跟踪方法，其特征在于，所述基于所述训练集对所述待训练神经网络模型进行训练，获取所述目标神经网络模型，包括：

基于所述训练集对所述待训练神经网络模型进行训练，获取训练后的神经网络模型；

对所述训练后的神经网络模型进行稀疏化训练；

基于稀疏化训练后的模型权重，删除预设的目标稀疏数量的卷积通道，获得所述目标神经网络模型。

6.根据权利要求1所述的行人多目标跟踪方法，其特征在于，所述基于所述目标神经网络模型对所述目标视频序列进行行人多目标跟踪，获取跟踪结果，包括：

对于所述目标视频序列中的一帧对应的输入图像，通过所述目标神经网络模型中的检测器预测所述输入图像中行人目标的位置；

通过卡尔曼滤波器对已有轨迹预测下一帧的位置；

基于行人特征与交并比，将所述检测器的预测目标与已有轨迹关联，保持前后帧中同一行人目标的身份ID一致，获取所述跟踪结果。

7.根据权利要求6所述的行人多目标跟踪方法，其特征在于，所述输出所述跟踪结果，包括：基于所述跟踪结果，将每个所述行人目标的轨迹可视化输出，输出时，不同身份ID的行人目标的边界框颜色不同。

8.一种行人多目标跟踪装置，其特征在于，所述装置包括：

目标神经网络模型获取模块，用于获取目标神经网络模型，其中，所述目标神经网络模型包括：用于提取输入图像的总特征获取特征图的合一模型，用于对所述特征图进行分离的分离结构，和基于分离后的特征图分别预测获取目标的外观特征向量和目标信息的外观特征提取子模型和检测子模型；

目标视频序列获取模块，用于获取目标视频序列；

跟踪模块，用于基于所述目标神经网络模型对所述目标视频序列进行行人多目标跟踪，获取跟踪结果；

输出模块，用于输出所述跟踪结果。

9.一种智能终端，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-7任意一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的方法的步骤。