[发明专利]一种面向同步移动目标的多目标跟踪方法

说明书

本发明公开了一种面向同步移动目标的多目标跟踪方法，应用目标检测算法检测图像中所要跟踪的目标，得到所要跟踪目标的检测框；然后将所要跟踪目标的检测框信息输入到基于位移相似性的多目标跟踪算法中进行目标匹配关联：首先利用滤波器方法对目标的运动轨迹进行预测与更新；然后对得到的轨迹和当前帧检测框利用目标的运动状态和IoU代价矩阵进行初次关联匹配；最后，对于初次关联匹配结果中未匹配的跟踪目标，基于位移相似性特点计算其在当前帧的位置信息。以引入目标表观特征增强跟踪器的性能，充分利用到多目标之间的运动位移相似性特点，当出现跟踪目标被遮挡或无法在连续帧被检测的情况时，避免了产生跟踪ID变换问题，因此适用于同步运动场景。

技术领域

本发明属于计算机视觉与图像处理领域，具体涉及一种面向同步运动场景的多目标跟踪方法。

背景技术

随着计算机视觉的快速发展，多目标跟踪技术得到了广泛的应用，比如应用在人流量统计、物流传送带包裹智能分拣、智慧果园跟踪计数等场景。其中，应用于物流传送带包裹智能分拣和智慧果园跟踪计数等此类场景中，存在一种共同特点，即视频内的所有跟踪目标具有同向同速的运动特性，本发明将该特点称为运动位移相似性。

近年来，大量多目标跟踪方法被研究人员提出，其中主要以Sort[1]、DeepSort[2]为代表的逐帧检测的多目标跟踪方法，该类方法将目标跟踪任务转化为目标检测任务和目标关联任务。多目标跟踪Sort结合卡尔曼滤波Kalman Filter和匈牙利匹配算法Hungarianalgorithm，利用检测框的位置和大小进行跟踪目标的运动估计和数据关联完成多目标跟踪任务。在实际应用时，当跟踪目标被遮挡或无法在连续帧被检测到时，该目标跟踪器就会被注销，而当后续帧又能准确检测到时，由于此目标跟踪器已被注销，没有相应的跟踪目标与之匹配，所以就会为其创建一个新的跟踪器，从而导致了跟踪目标ID的频繁切换。

为了提升多目标跟踪精度，一些研究学者提出了许多解决方法，比较具有代表性的技术如下：

中国专利CN 112084914A公开了一种融合空间运动和表观特征学习的多目标跟踪方法，该方法包括：首先利用yolov5检测实现图像中目标的检测，然后建立匀速状态模型和线性观测模型，采用kalman滤波对检测的目标进行预测；其次采用CNN方法实现检测出目标的特征描述向量，并采用融合空间运动信息和表观特征信息的目标相似性度量方法度量当前帧检测目标与历史帧检测目标；根据最小相似度进行当前帧目标与历史帧目标的匹配，完成多目标跟踪任务。

中国专利CN 112084914A联合利用运动状态模型和跟踪目标表观特征进行多目标跟踪，其原理与文献[2]类似，均以引入目标表观特征的方法来增强跟踪器的性能，没有利用到多目标之间的运动位移相似性特点，当出现跟踪目标被遮挡或无法在连续帧被检测的情况时，仍然会产生跟踪ID变换问题，不适用于本发明所提出的同步运动场景。

发明内容

针对现有技术处在的缺陷，本发明提供了一种面向同步移动场景的多目标跟踪方法，本发明应用目标检测算法检测图像中所要跟踪的目标，得到所要跟踪目标的检测框；然后将所要跟踪目标的检测框信息输入到基于位移相似性的多目标跟踪算法中进行目标匹配关联：首先利用滤波器方法对目标的运动轨迹进行预测与更新；然后对得到的轨迹和当前帧检测框利用目标的运动状态和IoU代价矩阵进行初次关联匹配；最后，对于初次关联匹配结果中未匹配的跟踪目标，基于位移相似性特点计算其在当前帧的位置信息。

进一步地，基于位移相似性特点计算其在当前帧的位置信息的实现过程如下，进行跟踪目标中心位置估计：计算当前帧成功匹配的跟踪目标中心点与上一帧对应目标中心点坐标的位移差值，并求其均值作为当前帧目标运动位移向量，以此确定当前帧未匹配跟踪目标的中心点坐标位置；进行跟踪目标尺度估计：在确定跟踪目标中心点位置后，以该目标在上一帧的尺度大小为基准，设置尺度衰减因子，估计该目标在当前帧的尺度大小，完成当前帧目标跟踪处理流程。

进一步地，所述滤波器方法包括卡尔曼滤波器和粒子滤波器等方法。