[发明专利]一种多目标跟踪方法

说明书

本发明提出了一种多目标跟踪方法，包括以下步骤：步骤一：构建视频样本数据集；步骤二：在YOLOV3网络模型中引入注意力机制模块，构建多目标检测模型；步骤三：基于样本数据集对检测模型进行基础训练、稀疏训练、通道剪枝、层剪枝和微调，得到优化后的多目标检测模型；步骤四：将待检测视频数据输入优化后的多目标检测模型，输出检测结果，即包括检测框的视频帧序列；步骤五：根据检测结果进行多目标跟踪。本发明运行速度更快，能达到实时检测的要求且鲁棒性更好。

技术领域

本发明属于目标跟踪领域，具体涉一种轻量级且高鲁棒的多目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域研究的热点之一，可分为单目标跟踪与多目标跟踪。多目标跟踪算法的主要任务是对众多目标同时进行跟踪，并为每个目标分配并维持一个相应的ID，记录轨迹。随着深度学习在目标检测等计算机视觉领域中的成功应用，深度学习中的技术如卷积神经网络、相关性滤波也大量应用于目标跟踪算法中，在人机交互、智能视频监控、无人驾驶、军事侦察等领域有着广泛应用。

在智能视频监控领域，视频监控已经部署在各种场景中。对视频中的给定视频进行分析和理解，提取关键信息，完成对行人的检测、跟踪以及其它高层任务；在智能驾驶领域，智能驾驶车辆先将周边物体的位置都检测出来，然后通过目标跟踪得到周边物体的运动轨迹，从而做出相应决策；辅助驾驶系统利用车载摄像头获取前方行驶路况，结合行人跟踪技术，辅助驾驶员操作车辆行驶方向，减少事故发生可能性；在军事领域，随着科技发展水平的提高，现代战争中利用多目标跟踪对敌人和军事武器装备进行定位和跟踪，能大大提高作战效率。

随着深度学习技术的发展和深入，多目标跟踪方法取得突破性发展，基于深度学习的多目标跟踪算法不断涌现，在许多问题上取得了良好效果。现有的基于检测的目标跟踪算法如DeepSort算法，依据检测器的结果，使用卡尔曼滤波实现跟踪器对目标运动轨迹的预测和更新，通过匈牙利算法实现检测结果和跟踪器预测结果的最优匹配。该算法存在以下不足，一方面检测端采用的算法如Faster RCNN、YOLO等，这些算法网络大，所需参数多，计算量大，对硬件设备要求高，在硬件设备计算能力和存储容量受限的条件下，算法的实时性较差，无法在硬件设备受限的嵌入式硬件平台如树莓派、Jetson Nano上达到实时运行的要求，且当目标发生形变、目标尺寸较小等检测器精度较差；另一方面在跟踪端使用卡尔曼滤波算法，在跟踪过程中容易受硬件、外界环境等噪声的影响，导致算法鲁棒性较差，因此需要提出一种轻量级多目标跟踪方法，在保持精度的前提下提高运行速度以便能达到实时检测的要求，且具有更好的鲁棒性。

发明内容

本发明的所解决的技术问题是，针对现有技术的不足，提供一种多目标跟踪方法，运行速度更快，能达到实时检测的要求。

本发明所提供的技术方案为：

一种多目标跟踪方法，包括以下步骤：

步骤一：构建视频样本数据集；

步骤二：在YOLOV3网络模型中引入注意力机制模块，构建多目标检测模型；

步骤三：基于样本数据集对检测模型进行基础训练、稀疏训练、通道剪枝、层剪枝和微调，得到优化后的多目标检测模型；

步骤四：将待检测视频数据输入优化后的多目标检测模型，输出检测结果，即包括检测框的视频帧序列；

步骤五：根据检测结果进行多目标跟踪。

进一步地，所述步骤一包括以下步骤：获取视频样本，对部分视频样本中的图片采用旋转、裁剪、模糊、色彩抖动的方式进行处理，同时采用Mosaic数据增强方法，增强数据集，并在数据集中增加小目标视频样本，得到改进后的数据集，即构建好的视频样本数据集。通过K-means聚类算法，得到适合改进后的数据集的预选框。

进一步地，所述步骤三中，基础训练即利用视频样本数据集对多目标检测模型进行训练，直到模型收敛。