[发明专利]一种基于SIFT的多摄像头场景下的目标跟踪方法

说明书

本发明公开了一种基于SIFT的多摄像头场景下的目标跟踪方法，包括：获取目标检测总数据集，所述目标检测总数据集通过拍摄包含不同类型的检测目标的照片制作形成；使用目标检测总数据集对目标检测器YOLO‑V5s模型进行训练；获取目标追踪重识别数据集，所述目标追踪重识别数据集通过拍摄包含不同类型的追踪目标的照片，提取出每张照片中包含追踪目标的部分制作形成；使用目标追踪重识别数据集训练DeepSort算法中的目标外观特征提取网络；获取运用SIFT算法拼接多摄像头拍摄的视频，使用训练过的YOLO‑V5s模型结合训练过的DeepSort算法对视频中的追踪目标进行追踪。本发明能够获得更大的目标检测范围并提高了目标追踪的精度。

技术领域

本发明涉及计算机视觉相关技术领域，尤其涉及一种基于SIFT的多摄像头场景下的目标跟踪方法。

背景技术

随着信息技术的发展，基于视觉的运动目标的检测与跟踪已逐渐渗透到人们生活的方方面面，其重要性日益突出。运动目标跟踪属于视频分析的内容，包括运动检测、目标分类、目标跟踪、事件检测等。基于视频目标跟踪方法的研究是计算机视觉领域的一个重要分支，而基于视觉的目标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题，在视频监控、虚拟现实、人机交互、自主导航等领域，具有重要的理论研究意义和实际应用价值。

对于目标跟踪在各个场景下的应用，很多学者都做了相关的改进研究，但是对于多目标跨摄像头跟踪技术的研究，大多数学者都集中在寻找不同的摄像头捕获的图像之间的重合部分，以此作为视频拼接的基础。这些方法虽然能够实现跨越摄像头的目标追踪，但是并不直观，需要多个画面共同显示。而且，当不同摄像头画面中出现多个目标时，只能实现重合画面的跨摄像头追踪，而未重合画面部分的目标id如何分配，并未提出一个合适的解决方案。

发明内容

本发明的目的是提供一种基于SIFT的多摄像头场景下的目标跟踪方法，能够获得更大的目标检测范围并提高了目标追踪的精度。

本发明为实现上述发明目的采用如下技术方案：

本发明提供了一种基于SIFT的多摄像头场景下的目标跟踪方法，包括：

获取目标检测总数据集，所述目标检测总数据集通过拍摄包含不同类型检测目标的多张照片制作形成；

使用目标检测总数据集对目标检测器YOLO-V5s模型进行训练；

获取目标追踪重识别数据集，所述目标追踪重识别数据集通过拍摄包含不同类型追踪目标的多张照片，提取出每张照片中包含追踪目标的部分制作形成；

使用目标追踪重识别数据集训练DeepSort算法中的目标外观特征提取网络；

获取运用SIFT算法拼接多摄像头拍摄的视频，使用训练过的YOLO-V5s模型结合训练过的DeepSort算法对视频中的追踪目标进行追踪。

进一步地，将DeepSort算法中的目标外观特征提取网络中的Relu激活函数换为Mish激活函数。

进一步地，所述Mish激活函数的表达式如下：

Mish＝x*tanh(ln(1+e^x))

式中：x表示神经网络某层输入的加权和。

进一步地，使用目标追踪重识别数据集训练改进后的DeepSort算法中的目标外观特征提取网络，在训练过程中将SGD优化器换为集成了SGD的一阶动量和RMSProp的二阶动量的Adam优化器。

进一步地，所述检测目标、追踪目标均选用智能车。

进一步地，制作目标检测数据集，具体过程为：

拍摄包含不同类型的智能车的照片；