[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

说明书

本发明公开了一种可调节算法计算参数量的监控视频人物跟踪方法。包括：(1)制作训练数据集。(2)搭建改进的GhostNet‑YOLOX网络，主要改进为：使用GhostNet方法替换YOLOX算法原卷积结构，通过调整压缩比k，控制压缩算法计算参数量，以适应不同算力的处理器，训练GhostNet‑YOLOX网络以及实现视频人物位置信息预测。(3)输入监控行人视频，对视频分帧图片使用自适应伽马变换进行亮度均衡处理，降低或提升过亮或过暗图片的亮度，增强算法的识别率。(4)使用DeepSort算法调用改进后的GhostNet‑YOLOX训练模型，输出预测结果，实现人物跟踪。通过改进，该算法能够保持较好的精度，并提供不同的计算参数量版本，从而更好地在移动设备上进行部署。

技术领域

本发明涉及机器视觉目标检测和目标跟踪领域，特别涉及一种基于结合GhostNet-YOLOX目标检测算法和DeepSort算法的监控视频人物跟踪方法。

背景技术

目前，关于监控视频人物跟踪方法，多采用联合目标检测算法的和DeepSort算法的跟踪方法。而该方法其识别率的高低和检测速度，主要受到目标检测算法的检测精度和检测速度的影响。而基于一阶段的目标检测算法(如SSD，Retina-Net，YOLO系列等)相比于二阶段检测算法(Fast R-CNN,Faster R-CNN和Mask R-CNN等)，能提供较高的检测速度，YOLO系列是一阶段目标检测算法的优秀代表，且版本不断更新升级，YOLOX是继YOLOv4、YOLOv5之后的新一代检测算法，算法的性能得以提升。

在实际中，由于硬件设备的算力限制，而在不改变算法结构时，算法的计算参数量固定，并不一定适应硬件设备的部署，GhostNet方法提出了一种基于卷积的可调计算参数量的特征提取结构，同时该方法对剩余特征图的拼接利用，减少了精度损失。

发明内容

有鉴于此，本发明提供了一种基于结合GhostNet-YOLOX的目标检测算法和DeepSort算法的监控视频人物跟踪方法。通过对视频分帧图片进行亮度均衡处理、使用结合GhostNet方法和YOLOX算法的目标检测方法，提供了较好的检测精度和多样的计算参数量，能更好地在不同算力的处理器上进行部署。

为了实现上述目的，本发明采用如下技术方案：

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，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成图片，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；

优选地，所述的步骤1具体为：

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,抽取其中的4/5，用作实验的训练集；

优选地，所述的步骤2包括：