[发明专利]一种可调节算法计算参数量的监控视频人物跟踪方法

权利要求书

1.一种可调节算法计算参数量的监控视频人物跟踪方法，结合GhostNet-YOLOX的目标检测算法和DeepSort算法，包括如下步骤：

步骤1：对多场景背景(商业区、十字路口、街道)下的监控视频进行分帧，并对其中的人像位置进行标注，将图片和对应的标注信息以VOC数据集格式存储，用作实验的训练集；

步骤2：搭建GhostNet-YOLOX模型；

步骤3：输入训练集数据，训练GhostNet-YOLOX模型，直至损失函数曲线趋于平稳时，停止训练，保存此时的训练权值，以.pth格式保存；

步骤4：输入监控行人视频，对视频的分帧图像进行自适应伽马增强，来调节整个图片的亮度；

步骤5：对当前视频帧图片，调用改进后的训练模型，载入训练权值，输出预测人物位置参数；

步骤6：使用DeepSort算法根据轨迹对当前预测参数进行管理，分配ID实现人物跟踪。

2.根据权利要求1所述的一种基于结合GhostNet-YOLOX的目标检测算法和DeepSort算法的监控视频人物跟踪方法其特征在于，步骤2包括：

首先，搭建GhostNet-YOLOX网络，主要包括：BackBone部分，Neck部分和Decouple_Head三部分。网络的基本组成单元为：Focus特征图重组结构，由GhostNet、批量归一化层和SiLU函数激活层组成的GBS块,CSPLayer多级残差块，SPP并行池化结构。其中：

SiLU的函数表达式为：

然后，使用GhostNet方法替换其中的卷积结构，设输入特征图为F₁∈R^C×H×W，特征图通道数为C，宽和高分别为W和H。输出特征图为模块压缩比系数为k，通过设定不同k值，调整计算参数量。GhostNet的过程为：

首先，通过常规卷积操作降低输入特征图通道数，得到浓缩信息的特征图C₂值为C₄/k；

然后，对浓缩的特征图进行depthwise卷积操作，得到映射特征图C₃值为C₄·(k-1)/k，同时为缩减参数量，使depthwise卷积组数为C₂，则形成F₂和F₃维度之间的一对多映射；

最后，将浓缩特征图通过残差边和映射特征图进行拼接，得到F₄。

3.根据权利要求1所述的一种基于结合GhostNet-YOLOX的目标检测算法和DeepSort算法的监控视频人物跟踪方法其特征在于，步骤3包括：

GhostNet-YOLOX的损失函数表达式为：Loss＝loss_loc+k₁×loss_con+k₂×loss_cls。

其中，loss_loc为位置预测框回归损失，loss_con为置信度损失，loss_cls为分类损失。K₁和K₂为平衡三者的参数。

4.根据权利要求1所述的一种基于结合GhostNet-YOLOX的目标检测算法和DeepSort算法的监控视频人物跟踪方法其特征在于，步骤4包括：

首先，将待分帧的图片转化为RGB格式，分为R、G、B三张特征图，分别计算R、G、B三张特征图的像素均值M₁、M₂、M₃。

然后，分别求取R、G、B三张特征图各自的变换系数α_i，(i取值为1、2、3)，则最终的变换系数α＝(α₁+α₂+α₃)/3。α_i计算公式如下：

然后，分别对R、G、B三张特征图的每个像素值X_i，映射到Y_i∈[0,1]区间内。映射公式如下：

Y_i＝X_i/255。

最后，将Y_i进行伽马变换后，映射回原空间。计算公式为：Z_i＝Y_i^α×255。

5.根据权利要求1所述的一种基于结合GhostNet-YOLOX的目标检测算法和DeepSort算法的监控视频人物跟踪方法其特征在于，步骤6包括：

步骤6-1：首先，根据GhostNet-YOLOX的检测结果detections初始化预测轨迹信息tracks。

其中，轨迹信息tracks利用8维特征向量表示,u,v表示检测框的坐标，y,h表示宽高比和高，后四个参数分别表示前四个参数的变化率。

步骤6-2：对于预测的轨迹信息通过卡尔曼滤波算法进行导出，产生未确认状态的新轨迹unconfirmed tracks和可确认状态的轨迹confirmed tracks。

步骤6-3：对于确认状态的轨迹confirmed tracks，与detections产生的目标框信息结果进行级联匹配cascade，形成如下两种情况：

(1)tracks和detections失配；(2)tracks和detections匹配成功；

当tracks和detections匹配成功的情况，则代表跟踪成功，之后使用卡尔曼滤波法更新预测轨迹Tracks信息，返回6-2步骤，进入下一循环。

步骤6-4：对于未确认状态的新轨迹unconfirmed tracks或者原为确认状态的轨迹级联匹配后失配的tracks和detections，进行tracks和detections之间的IoU值计算，形成tracks和detections代价矩阵。

步骤6-5：代价矩阵通过匈牙利算法，得到tracks的三种匹配结果：

(1)tracks失配；(2)dections失配；(3)tracks和detections匹配成功。

对于6-5的第(1)种情况：如果失配的tracks是未确认态或者是确认态的tracks但失配次数超过30，则删除，反之失配次数未超过30，进入步骤6-2，进入下一循环。

对于6-5的第(2)种情况：对于失配的detections，则为其分配一个新track,并分配新的ID后进入步骤6-2，进入下一循环。

对于6-5的第(3)种情况：则代表跟踪成功，之后使用卡尔曼滤波法更新预测轨迹tracks信息，返回6-2步骤，进入下一循环。

步骤6-6：重复步骤6-2至步骤6-5，直到视频帧结束。