[发明专利]一种地铁站台密集人流情况下的行人跟踪方法

权利要求书

1.一种地铁站台密集人流情况下的行人跟踪方法，基于跟踪算法deepsort以及目标检测网络yolov5来实时对地铁站台行人进行跟踪，其特征在于，包括如下步骤：

步骤1：安装传感器，在地铁站台高处安装摄像头；

步骤2：采集视频数据，应用步骤1安装的摄像头进行数据采集，采集的数据为包含地铁站台各个时间段的行人流视频数据；

步骤3：制作行人训练集，通过采集到的视频数据，从中尽可能多的选取行人图片作为训练集，并从中选取部分数据作为测试集，用来测试地铁站台行人检测的效果；

步骤4：数据集标注，根据标注要求进行标注；

步骤5：Yolov5目标检测模型训练，使用yolov5目标检测网络获得地铁站台行人检测框；

步骤6：将训练的模型转成trt格式，并用C++调用；

步骤7：deepsort算法完成行人跟踪，采用deepsort接收检测结果，对各检测框进行前处理，接着将检测框和跟踪框进行级联匹配，采用DIOU阈值和马氏距离阈值的阶梯式筛选，并对未成功匹配的进行DIOU匹配，最后根据DIOU匹配情况进行后续操作并更新特征向量集；

步骤8：重复以上步骤5-7，持续对目标进行跟踪。

2.根据权利要求1所述的一种地铁站台密集人流情况下的行人跟踪方法，其特征在于，所述步骤5的使用yolov5目标检测网络获得地铁站台行人检测框具体方式为：应用得到的所述训练集进行训练，先将VOC格式的标注文件转换为训练需要的txt格式，选用最轻量化，深度和宽度都最小的Yolov5s网络进行训练，并进行数据集强化；最终损失函数为：

S代表13,26,52，即grid的大小；B＝3，即每个grid的锚框数量；

L_giou表示检测框和先验框之间的GIOU值所造成的损失；

第一行表示定位损失，表示如果边界框先验和GT目标比其他的GT目标重叠多，则计入损失函数，但如果重叠度小于阈值，则不计入损失函数，同理；

λ_iou定位损失iou_normalizer；

λ_cls目标置信度损失cls_normalizer；

C_i为边界先验框置信度，为GT置信度，均为1；

λ_c分类损失classes_multiplers，使用标准交叉熵损失函数；

为GT真实分类函数，p_i(c)为先验框预测分类函数。

3.根据权利要求2所述的一种地铁站台密集人流情况下的行人跟踪方法，其特征在于，所述Yolov5网络由卷积层和x个残差组件通过concat连接而成，SPP采用1×1，5×5，9×9，13×13的最大池化方式，进行多尺度融合；所述Yolov5网络的Loss函数是GIOULoss，先计算两个框的最小闭包区域面积，再计算闭包区域中都不属于两个框的区域占闭包区域面积的比重，再计算IOU，最后用IOU减去上述比重得到GIOU。