[发明专利]目标检测、属性识别与跟踪方法及系统

说明书

本发明公开了一种目标检测、属性识别与跟踪方法及系统，本发明方法包括S1、获取目标原始图像；S2、通过对获取的目标原始图像进行特征分析获取目标特征图；S3、通过对获取的目标特征图进行目标检测获取目标检测结果；S4、通过对获取的目标特征图与目标检测结果进行属性识别获取目标属性识别结果；S5、通过对获取的目标特征图、目标检测结果以及上帧目标跟踪信息进行目标跟踪分析获取目标跟踪结果。本发明先通过特征提取网络对获取的原始图像进行特征提取后，并根据提取的特征图进行后续的目标检测、属性识别和目标跟踪，对目标属性处理更加合理，使得目标检测、属性识别与跟踪的效果更加准确，避免出现目标丢失的情况发生。

技术领域

本发明涉及，具体地说是一种目标检测、属性识别与跟踪方法及系统。

背景技术

随着社会的发展，人们对公共安防的关注越来越多，公共场所的摄像头数量也越来越多，安防的死角越来越少，随着这些海量数据的提供，除了基本的目标的检测，如果在此基础上能对目标的属性，例如性别、年龄、衣服样式、服装颜色、发型等进行识别得出属性特征，并且将不同时刻的图像进行对比得出目标的轨迹信息，将对个别人员的追踪识别提供极大的方便。

专利CN 110188596 A《基于深度学习的监控视频行人实时检测、属性识别与跟踪方法及系统》，涉及一种基于深度学习的监控视频行人实时检测、属性识别与跟踪方法及系统。主要提出高效的行人检测、属性识别以及跟踪方法，并设计一种高效的调度方法，将模块之间进行串并联调度，使其在有限计算资源上尽可能多地进行多路视频行人实时检测，属性识别以及跟踪。但该专利在属性识别上首先采用深度学习模型提取特征，然后训练了11个分类器，对这11个属性进行分类，又叠加了深度学习提取特征的模型。增加了整体框架的参数量。在跟踪算法上使用了卡尔曼滤波算法进行预测，得到下个位置，然后再进行匹配，需要存储多个轨迹进程，并且无法解决视频传输中跳帧出现的位置丢失问题，缺失关键帧会导致算法匹配失败。

专利CN 111274945 A《一种行人属性的识别方法、装置、电子设备和存储介质》，公开了一种行人属性的识别方法、装置、电子设备和存储介质，涉及机器视觉技术领域。具体实现方案为：在目标监控图片中，获取至少一个人体识别区域图像；分别在每个人体识别区域图像中，获取行人属性识别结果，以及小物体检测结果；根据小物体检测结果，对行人属性识别结果进行修正，得到与各人体识别区域图像匹配的修正后行人属性识别结果。该专利先进行属性识别又使用目标检测算法对属性分析结果进行修正，使用了两个深度学习模型进行叠加。增加了参数量，提高了硬件的要求。

专利CN 112232173 A《一种行人属性识别方法、深度学习模型、设备及介质》，公开了一种行人属性识别方法、深度学习模型、设备及介质，获取待进行行人属性识别的目标图片；提取出目标图片中的属性颜色特征和属性位置特征；将属性颜色特征和属性位置特征进行融合，得到像素级特征，并基于像素级特征预测出颜色信息和位置信息；将颜色信息、位置信息和目标图片进行拼接、切分，得到行人特征图；对行人特征图进行融合，得到目标特征；基于目标特征确定行人属性识别结果。该方法将行人的位置信息和颜色信息、图片进行了重新的拼接、切分。破坏了原图像的空间相关性，并且也没有解决目标的跟踪问题。

针对所检索的相关专利申请，现有的方法基本都是分离的算法架构拼接而成，多个深度学习框架的拼接，不仅使深度学习训练的难度加大，难收敛，未知情况增加，摒弃架构越多，深度学习的参数越大，运行的速度越低，对硬件的要求也会越高。

发明内容

本发明的目的是针对以上不足，提供一种目标检测、属性识别与跟踪方法，降低深度学习的使用数量，仅使用一个深度学习框架，降低深度学习框架训练的难度，更易收敛，提升运行速率，降低对硬件的要求，还提供一种基于上述方法的目标检测、属性识别与跟踪系统。

本发明所采用技术方案是：

本发明提供一种目标检测、属性识别与跟踪方法，包括如下步骤：

S1、获取目标原始图像；