一种图像跟踪方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种图像跟踪方法、装置、存储介质及电子设备，包括逐帧读取实时视频流图像并对图像进行归一化处理；其次通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；采用DeepSort多目标跟踪算法对检测框进行跟踪，得到唯一的目标ID；最后将获取的目标ID和对应检测框进行存储，以便后续进行序列分析或还原目标轨迹等任务时调用。通过上述方案提出的跟踪算法，提高了每个网格点所负责预测的目标个数，大幅改善物体密集、物体重叠和物体交叉时的跟踪效果。

【技术实现步骤摘要】
一种图像跟踪方法、装置、存储介质及电子设备
本专利技术属于计算机软件领域
，具体涉及一种图像跟踪方法、装置、存储介质及电子设备。
技术介绍
在非结构化数据领域，技术带来了前所未有的爆炸性变化。移动设备、Web站点、社交媒体、科学仪器、卫星、IoT设备以及监控摄像头这样的数据源每秒钟都会产生大量的图片和视频。管理和有效分析这些数据是一个很大的挑战，我们可以考虑某个城市的视频监控网络。试图监控每个摄像头的视频流来发现感兴趣的对象和事件是不现实且低效的。相反，计算机视觉库能够处理这些视频流并提供智能的视频分析和对象探测结果。在基于视频流的分析、处理方法中，目标检测和多目标跟踪算法是所有任务的基石，但是目前的目标检测和多目标跟踪算法存在诸多问题，如：两个以上物体重叠较大时时只能检测到一个物体、多个物体交叉运动时跟踪目标丢失、单纯基于目标框交并比的跟踪无法利用到物体的像素特征等。有鉴于此，特提出本专利技术。
技术实现思路
针对现有技术中的缺陷，本专利技术提出一种图像跟踪方法、装置、存储介质及电子设备，解决了现有算法在物体密集、多目标交叉时跟踪算法失效以及无法有效利用物体像素特征等问题。为实现上述目的，本专利技术的技术方案如下：一种图像跟踪方法，所述方法包括：逐帧读取实时视频流图像，对所述图像进行归一化处理；通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；将获取的目标ID和对应检测框进行存储。优选的，所述逐帧读取实时视频流图像，对图像进行归一化处理包括：获取视频流地址，并实时解帧；对解帧获得的图像进行缩放处理，以使图像满足预设尺寸要求；计算图像像素的均值和方差；将图像中的每一个像素值减去其均值并除以方差，以得到归一化后的图像。优选的，所述通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到检测框和目标类别包括：将获得的归一化后的图像输入预先定义的YOLOv4深度学习模型中，将所述归一化后的图像进行分割得到多个网格，每个网格中生成一个检测框；对所述检测框进行卷积层处理，获得单帧图像的检测框和目标类别。进一步地，所述预先定义的YOLOv4深度学习模型包括：特征提取网络、CSP模块、SPP模块、特征融合模块和CIOU_Loss模块；在特征提取网络中采用CSP模块将基础层的特征映射划分为两部分，通过跨阶段层次结构将特征合并；将合并获得的特征图输入SPP模块，SPP模块将特征图压缩之后进行上采样，并将不同级别的特征图合成最终SPP特征图，将所述SPP特征图以及CSP模块输出的特征图输入所述特征融合模块，所述CIOU_Loss模块基于特征融合模块输出的不同尺度的融合特征进行分类检测，输出最终的目标检测结果。优选的，所述通过DeepSort多目标跟踪算法对检测框进行跟踪，得到唯一的目标ID包括：使用级联匹配算法，针对每一个检测框分配一个跟踪器，并依次为每个跟踪器设定不同参数；如果跟踪器完成匹配并进行更新，那么参数重置为0，否则参数+1；在级联匹配中，根据跟踪器的参数大小，以参数小的先匹配，参数大的后匹配为原则，对跟踪器匹配先后顺序进行排序，使得上一帧最先匹配的跟踪器增加优先权，连续几帧未匹配的跟踪器降低优先权；使用马氏距离和余弦距离计算检测框的近似度后，对前后两帧中检测框内跟踪器进行匹配，匹配度高的被认定为同一跟踪器，分配统一的ID编号，获得每个检测框唯一的目标ID；在DeepSort多目标跟踪算法中引入YOLOv4深度学习模型的特征提取网络，将所有确认的跟踪器每次完成匹配对应的检测框的特征图存储至列表中，并在每次匹配之后更新特征图的列表。优选的，所述将获取的目标ID和对应检测框进行存储包括：将获得的唯一ID及其对应的检测框按照图像顺序存入数据库中。一种图像跟踪装置，包括：处理模块，用于逐帧读取实时视频流图像，对所述图像进行归一化处理；检测模块，用于通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；跟踪模块，用于采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；存储模块，用于将获取的目标ID和对应检测框进行存储。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-6任一项所述的图像跟踪方法。一种电子设备，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的图像跟踪方法。本专利技术的有益效果体现在：本专利技术提供的一种图像跟踪方法、装置、存储介质及电子设备，包括逐帧读取实时视频流图像并对图像进行归一化处理；通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；采用DeepSort多目标跟踪算法对检测框进行跟踪，得到唯一的目标ID；最后将获取的目标ID和对应检测框进行存储，以便后续调用。解决了现有目标跟踪算法在物体密集、多目标交叉时跟踪算法失效以及无法有效利用物体像素特征等问题。本专利技术中使用的目标检测算法提高了每个网格点所负责预测的目标个数，跟踪算法引入物体重认证模型来利用物体像素特征，因此能够大幅改善物体密集、物体重叠和物体交叉时的跟踪效果。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1为本专利技术具体实施方式中的一种图像跟踪方法流程图。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。实施例1：本专利技术具体实施方式提供如图1所示的一种图像跟踪方法，所述方法包括：S1逐帧读取实时视频流图像，对所述图像进行归一化处理；S2通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；S3采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；S4将获取的目标ID和对应检测框进行存储。步骤S1中，逐帧读取实时视频流图像，对图像进行归一化处理包括：获取视频流地址，并实时解帧；对解帧获得的图像进行缩放处理，以使图像满足预设尺寸要求；计算图像像素的均值和方差；将图像中的每一个像本文档来自技高网...

【技术保护点】
1.一种图像跟踪方法，其特征在于，所述方法包括：/n逐帧读取实时视频流图像，对所述图像进行归一化处理；/n通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；/n采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；/n将获取的目标ID和对应检测框进行存储。/n

【技术特征摘要】
1.一种图像跟踪方法，其特征在于，所述方法包括：
逐帧读取实时视频流图像，对所述图像进行归一化处理；
通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；
采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；
将获取的目标ID和对应检测框进行存储。


2.根据权利要求1所述的方法，其特征在于，所述逐帧读取实时视频流图像，对图像进行归一化处理包括：获取视频流地址，并实时解帧；对解帧获得的图像进行缩放处理，以使图像满足预设尺寸要求；
计算图像像素的均值和方差；
将图像中的每一个像素值减去其均值并除以方差，以得到归一化后的图像。


3.根据权利要求1所述的方法，其特征在于，所述通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到检测框和目标类别包括：
将获得的归一化后的图像输入预先定义的YOLOv4深度学习模型中，将所述归一化后的图像进行分割得到多个网格，每个网格中生成一个检测框；
对所述检测框进行卷积层处理，获得单帧图像的检测框和目标类别。


4.根据权利要求3所述的方法，其特征在于，所述预先定义的YOLOv4深度学习模型包括：特征提取网络、CSP模块、SPP模块、特征融合模块和CIOU_Loss模块；
在特征提取网络中采用CSP模块将基础层的特征映射划分为两部分，通过跨阶段层次结构将特征合并；将合并获得的特征图输入SPP模块，SPP模块将特征图压缩之后进行上采样，并将不同级别的特征图合成最终SPP特征图，将所述SPP特征图以及CSP模块输出的特征图输入所述特征融合模块，所述CIOU_Loss模块基于特征融合模块输出的不同尺度的融合特征进行分类检测，输出最终的目标检测结果。


5.根据权利要求1所述的方法，其特征在于，所述通过DeepSort多目标跟踪算法对检测...

【专利技术属性】
技术研发人员：任永腾，王堃，王成，
申请(专利权)人：青岛以萨数据技术有限公司，
类型：发明
国别省市：山东;37