[发明专利]一种多目标跟踪检测方法、系统、设备及存储介质

说明书

本发明公开了一种多目标跟踪检测方法、系统、设备及存储介质，采集现场图片整理为VOC数据集，作为训练集，并对训练集打标签；获取训练集的先验框的大小，将检测网络YOLOv4基础数据中的先验框大小替换为训练集的先验框的大小，根据VOC数据集和先验框的大小更新检测网络YOLOv4基础数据中配置文件；搭建检测网络YOLOv4，将VOC数据集以及更新后的配置文件传入检测网络YOLOv4中进行训练，得到权重文件；搭建DeepSort模型，将YOLOv4的权重文件输入DeepSort模型中，且更改DeepSort模型的配置文件config中的数据，得到多目标跟踪检测模型；将视频片段或实时监控画面传输至多目标跟踪检测模型中，进行多目标跟踪检测。不受遮挡和施工人员形态多样影响，提高了对施工现场人员的实时检测准确度以及速度。

技术领域

本发明属于多目标跟踪检测领域，涉及一种多目标跟踪检测方法、系统、设备及存储介质。

背景技术

安全设施佩戴多目标跟踪检测模型是利用基于深度学习的多目标跟踪检测算法跟踪检测视频或者监控摄像头中的施工人员是否合格佩戴安全设施。目前，将目标检测类算法生成的权重文件应用在多目标跟踪检测(MOT)技术中已经相对成熟，并应用到各个领域中。

基于深度学习的多目标跟踪检测技术在性能上已经相当成熟，MOT算法目前分为离线以及在线的跟踪，而不管是哪一种方式，此技术的关键之处是：运算匹配度以及距离的计算。基于学习特征将基于深度学习的MOT分为三大类，又包含了六个小类。基于深度学习的多目标跟踪的三大类分为：深度表现特征应用、深度相似性度量学习以及深度高阶特征匹配。深度表现特征应用分图像识别特征和深度光流特征；深度相似性度量学习分为距离度量学习和二分类学习；深度高阶特征分为高阶表现特征和高阶运动特征。

在施工现场较复杂的施工环境中进行多目标跟踪时，存在遮挡、施工人员形态多样、检测速度低等情况。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种多目标跟踪检测方法、系统、设备及存储介质，不受遮挡和施工人员形态多样影响，提高了对施工现场人员的实时检测准确度以及速度。

为达到上述目的，本发明采用以下技术方案予以实现：

一种多目标跟踪检测方法，包括以下步骤；

步骤一，采集现场图片整理为VOC数据集，作为训练集，并对训练集打标签；

步骤二，获取训练集的先验框的大小，将检测网络YOLOv4基础数据中的先验框大小替换为训练集的先验框的大小，根据VOC数据集和先验框的大小更新检测网络YOLOv4基础数据中配置文件；

步骤三，搭建检测网络YOLOv4，将VOC数据集以及更新后的配置文件传入检测网络YOLOv4中进行训练，得到视频跟踪所需的权重文件；

步骤四，搭建DeepSort模型，将YOLOv4的权重文件输入DeepSort模型中，且更改DeepSort模型的配置文件config中的数据，得到多目标跟踪检测模型；

步骤五，将视频片段或实时监控画面传输至多目标跟踪检测模型中，进行多目标跟踪检测。

优选的，步骤一中，现场图片采集时，包含施工人员的多个角度，多个姿态，施工人员远近大小不一，多个小目标，包含佩戴与未佩戴安全帽和安全背心的施工人员。

优选的，步骤一中，使用LabelImg工具对训练集打标签。

优选的，步骤二中，使用聚类算法对VOC数据集进行处理，获取训练集的先验框的大小。

优选的，步骤三中，检测网络YOLOv4包括Input输入层、BackBone主干网络、Neck和Head检测头。