[发明专利]一种复杂背景下高精度多目标跟踪方法

说明书

本发明提供了一种复杂背景下高精度多目标跟踪方法，包括将获取的视频数据输入至残差网络，进行目标分辨率特征提取，在输出端输出提取结果，提取结果包括不同维度的目标分辨率特征；计算目标分辨率特征的相关滤波响应图；利用目标检测网络得到目标的检测结果；将目标的检测结果与预测的轨迹进行匹配，获得匹配结果，匹配结果包括融合运动信息和表观信息两种度量的值；将两种度量融合的值与预设匹配阈值进行对比，获得目标跟踪结果。相较于现有技术，通过增加了一个提取特征的残差网络，提取目标的多分辨率特征，将匹配的过程结合运动信息以及表观信息，更大限度的提高了匹配过程的准确性。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种复杂背景下高精度多目标跟踪方法。

背景技术

目前，随着计算机视觉技术的发展，海量的视觉信息被获取、传输以及分析，因此如何让计算机处理这些视频数据成为了当前的研究热点，其中视觉目标跟踪技术是处理这些视频数据的重要手段，视觉目标跟踪是计算机视觉中的一个基本的研究问题，在视频监控、无人驾驶、人机交互、行星探测、军事应用等诸多方面都有广泛的应用前景。视觉目标跟踪要解决的问题可以表述为：在视频序列中，给出第一帧中目标的位置和大小(通常是一个矩形边界框)，需要在后续帧中预测出目标的位置和大小。

传统的目标跟踪算法可以分为基于生成模型和基于判别模型的目标跟踪算法。采用历史帧的结果来生成用于描述目标特征的统计模型，能够有效处理跟踪过程中目标丢失的情况，但是基于生成模型的方法通常忽略了目标周围的背景信息，同时在面对背景混乱的情况时容易丢失目标。传统的基于相关滤波的跟踪方法大多只使用手工设计的特征描述子来提取特征，使得对目标的表征能力有限，通过响应图确定的目标位置不够精确，在遮挡和背景混杂等因素干扰下通常不能得到令人满意的性能。在2010年之前，目标跟踪算法一般采用经典的跟踪算法，例如均值漂移、粒子滤波、卡尔曼滤波、子空间学习、稀疏表达方法、核密度估计方法。

基于深度学习的目标跟踪算法可以分成基于深度特征的目标跟踪算法、基于孪生网络的目标跟踪算法、基于循环神经网络、基于生成对抗网络的目标跟踪算法和基于其他特定网络的目标跟踪算法。

尽管目标跟踪已经被研究了多年，并取得了一定的进展，但在复杂背景下仍然难以满足实际的需求，在跟踪任务中，当环境亮度降低或者存在较多相似的目标，跟踪算法区分目标区域与背景区域的能力将变弱，跟踪效果将变差；当目标发生遮时，目标的特征信息会丢失，而随着遮挡比例的增大，丢失的信息会越来越多。因此，如何设计一个实时鲁棒的跟踪算法是当前目标跟踪领域的研究焦点。

发明内容

本发明针对目标跟踪中的问题，提出了一种复杂背景下高精度多目标跟踪方法，解决了传统的目标跟踪算法在复杂场景下跟踪效果不佳的缺陷，包括以下步骤：

步骤1，将获取的视频数据输入至残差网络，进行目标分辨率特征提取，在输出端输出提取结果，所述提取结果包括不同维度的目标分辨率特征。具体的，本发明中，所述残差网络可采用ResNet。

本发明中，所述提取结果中不同维度的目标分辨率特征具有不同特性，根据所述不同特性可增强特征表达能力。通过本步骤解决了目标跟踪过程中经常出现的尺度变化问题。

步骤2，计算所述目标分辨率特征的相关滤波响应图；

步骤3，利用目标检测网络得到目标的检测结果，所述目标的检测结果将目标的运动状态定义为一个8维空间，分别表示轨迹在某个时刻的状态；

步骤4，将所述目标的检测结果与预测的轨迹进行匹配，获得匹配结果，所述匹配结果包括融合运动信息和表观信息两种度量的值；

步骤5，将所述两种度量融合的值与预设匹配阈值进行对比，获得目标跟踪结果。

进一步地，在一种实现方式中，所述步骤2，包括：