[发明专利]一种多目标跟踪方法、装置、计算机及存储介质

说明书

本发明提出一种多目标跟踪方法、装置、计算机及存储介质，属于人工智能技术领域。具体包括，首先将视频输入至融合检测关联模块中，进行降采样处理获得特征图，将特征图输入至差异计算网络中，获得差异特征；其次，用深度学习中多任务学习方法得到目标类别、目标位置信息和同一目标在不同视频帧中相同的trackID；根据连续帧中目标运动轨迹信息，用轨迹预测模块预测当前帧目标可能出现的位置，为融合检测关联模块提供参考。最后，输出多目标跟踪信息。解决了解决现有技术中存在的目标跟踪效率低、目标容易丢失、目标ID易变化的技术问题，提高了多目标跟踪的效率以及避免目标跟踪的丢失。

技术领域

本申请涉及一种目标跟踪方法，尤其涉及一种多目标跟踪方法、装置、计算机及存储介质，属于人工智能技术领域。

背景技术

多目标跟踪是在视频中同时跟踪多个目标，应用场景是安防和自动驾驶等，这些场景中人、车数量不确定，每个目标的特征也不确定，对这些目标进行跟踪是其他应用（如定位目标，计算目标密集程度等）的基础。和单目标跟踪不同，多目标跟踪对每个目标有唯一ID标识，在跟踪过程中要保证目标不会丢失。同时，新目标的出现和旧目标消失也是多目标跟踪要解决的问题。

目前针对多目标跟踪的研究有很多，主流的跟踪策略是DBT（基于检测的跟踪），检测模块和数据关联模块是独立的两部分，视频序列首先经过检测算法，得到目标的位置信息，在执行数据关联算法得到最终的轨迹结果。

多目标跟踪中有代表性的算法是DeepSORT 算法，该方法属于MOT（多目标跟踪）中的数据关联算法，可以结合任意检测器实现多目标跟踪。该算法结合了卡尔曼滤波算法和匈牙利算法。利用卡尔曼滤波算法预测检测框在下一帧的状态，将该状态与下一帧的检测结果进行匹配。匹配过程使用匈牙利算法，用卡尔曼滤波得到运动特征结合CNN（卷积神经网络）提取的外观特征融合到一起计算代价矩阵。

MOT的应用主要是安防和自动驾驶等场景，这些场景对算法实时性要求很高。在硬件水平固定的情况下，应该尽可能提高MOT的检测效率和检测准确率。现有技术中MOT在实际应用中会存在效率低的问题。现有的实时MOT通常只关注数据关联步骤，本质上只完成了MOT的一部分，无法真正解决效率问题。

此外，在真实场景中不同目标经常出现遮挡，这会导致MOT出现目标丢失、目标ID变化等问题。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的目标跟踪效率低、目标容易丢失、目标ID易变化的技术问题，本发明提供了一种多目标跟踪方法、装置、计算机及存储介质，本发明通过将检测模块和数据关联模块融合到同一个神经网络中，通过共享相同的底层特征，减小计算量以缩短运行时间，检测模块和数据关联模块融合后组成新的模块，该模块称为融合检测关联模块。

融合检测关联模块输出不同目标的位置和类别信息。轨迹预测模块以这些信息为输入，学习不同类别的目标轨迹信息，提高了目标跟踪的效率以及避免目标跟踪的丢失。

一种多目标跟踪方法，包括以下步骤：

S110将视频输入至融合检测关联模块中，进行降采样处理获得特征图，将特征图输入至差异计算网络中，获得差异特征；

S120计算损失函数；

S130获得目标类别、目标位置信息和目标间的数据关联关系；并将目标位置信息输入轨迹预测模块中，利用卷积运算学习目标移动，输出预测位置信息，形成不同类别目标运动规律信息并传输至数据库和融合检测关联模块；

S140输出多目标跟踪。