本发明专利技术公开了一种目标跟踪方法、系统、电子装置及存储介质，方法包括：获取需要检测的摄像数据；对所述摄像数据进行轻量级的目标检测，得到所述摄像数据中目标的边框信息；根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；判断相邻两帧的所述摄像数据中的目标是否关联成功；若关联成功，则更新目标状态；若关联不成功，则将前一帧中关联未成功目标视为丢失目标，在之后帧中对目标进行重跟踪；本发明专利技术能够降低跟踪目标丢失的几率，提升目标跟踪的鲁棒性。目标跟踪的鲁棒性。目标跟踪的鲁棒性。
【技术实现步骤摘要】
一种目标跟踪方法、系统、电子装置及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种目标跟踪方法、系统、电子装置及存储介质。
技术介绍
[0002]随着深度学习和卷积神经网络在特征提取、图像处理等领域取得的巨大发展，越来越多新颖神经网络被用于目标检测、目标跟踪、智能交通领域，且效果优于传统方法。但是深度学习网络模型的参数量和计算量都是巨大的，需要大型服务器提供算力支持，而嵌入式设备等移动终端只能提供低算力以及低内存，难以满足实时性能要求。
[0003]在基于检测结果的跟踪算法中，针对实时性问题，Alex提出SORT，首先使用卡尔曼滤波器来预测未来的对象位置，计算它们与未来帧中检测到对象的重叠程度，最后采用匈牙利算法进行跟踪。但是跟踪目标易丢失。针对丢失目标的重跟踪问题，Wojke将RE
‑
ID(重识别)思想融入跟踪算法中，使用一个深度残差网络提取目标的特征，使用余弦距离度量特征间相似度形成联合关联损失，此外该特征还用于丢失目标重跟踪，但该算法的鲁棒性不强。
技术实现思路
[0004]本专利技术的主要目的在于提供一种目标跟踪方法、系统、电子装置及存储介质，旨在解决现有技术中的跟踪算法跟踪目标容易丢失，且鲁棒性不强的问题。
[0005]为实现上述目的，本专利技术第一方面提供一种目标跟踪方法，包括：获取需要检测的摄像数据；对所述摄像数据进行轻量级的目标检测，得到所述摄像数据中目标的边框信息；根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；判断相邻两帧的所述摄像数据中的目标是否关联成功；若关联成功，则更新目标状态；若关联不成功，则将上一帧中未关联成功的目标视为丢失目标，在之后的帧中对目标进行重跟踪。
[0006]其中，所述对所述摄像数据进行轻量级的目标检测时，还得到所述摄像数据中目标的类别、置信度；所述对目标进行重跟踪之前，所述方法还包括：对相邻两帧的前帧摄像数据中未关联成功的目标，判断是否从相邻两帧的后帧摄像数据中消失；若消失，则将该未关联成功的目标作为丢失目标，并保存目标信息，所述目标信息包括目标的类别和置信度；根据所述丢失目标的目标信息对丢失目标进行重跟踪。
[0007]其中，所述对目标进行重跟踪之前，所述方法还包括：判断在相邻两帧的前帧摄像数据之前，是否有丢失目标；若有丢失目标，则根据丢失目标的目标信息对丢失目标进行重跟踪；若无丢失目标，则将未关联的目标作为新出现的目标，赋值新的ID。
[0008]其中，所述边框信息包括边框大小和边框位置；所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联之前，目标跟踪方法还包括：根据边框大小，计算已经获取的所有帧的摄像数据中，已检测到的所有目标的边框大小的平均值；判断相邻两帧的摄像数据的目标的边框大小是否小于所述平均值；若小于，则对所述小于所述平均值的目
标进行增益，并执行所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；若大于或等于，则执行所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联。
[0009]其中，所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联，包括：根据所述边框位置，计算相邻两帧的后帧摄像数据中每个目标的边框与前帧摄像数据中完成跟踪的所有目标的卡尔曼滤波后的边框的重叠度，得到重叠度匹配矩阵；计算目标的边框大小与所述平均值的比值的倒数，得到增益系数；计算相邻两帧的后帧摄像数据中每个目标的边框与前帧摄像数据中完成跟踪的所有目标的边框的增益系数，得到增益矩阵；使用所述重叠度匹配矩阵与所述增益矩阵相乘，得到数据关联矩阵；对所述关联矩阵进行阈值处理，并使用匈牙利算法对所述关联矩阵中目标的分配的问题进行最优化的求解，得到关联结果。
[0010]其中，所述对目标进行重跟踪包括：对相邻两帧数据的前帧摄像数据中关联不成功的目标、后帧摄像数据中的所有数据关联中视为新检测到的目标使用多尺度特征提取方法，得到多尺度的特征向量；对同一目标提取到的不同尺度的特征进行融合横向拼接，得到目标的特征向量；计算关联不成功目标的目标特征向量，与后帧摄像数据中数据关联中视为新检测到的目标的目标特征向量的相似度；将大于或等于预设的门限阈值的相似度保存至数组；使用每一丢失目标与所有新检测目标相似度的所述数组，生成所有丢失目标与所有新检测到目标的相似度矩阵；使用匈牙利匹配算法对所述相似度矩阵进行匹配，得到重跟踪结果。
[0011]其中，所述多尺度特征提取的方法包括：对目标提取多尺度的HSV特征和多尺度HOG特征两种特征，并将特征横向融合拼接。
[0012]本专利技术第二方面提供一种目标跟踪系统，包括：数据获取模块，用于获取需要检测的摄像数据；数据检测模块，用于对所述摄像数据进行轻量级的目标检测，得到所述摄像数据中目标的边框信息；目标关联模块，用于根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；关联判断模块，用于判断相邻两帧的所述摄像数据中的目标是否关联成功；关联输出模块，用于若关联成功，则更新目标状态，若关联不成功，则将上一帧中未关联成功的目标视为丢失目标，在之后的帧中对目标进行重跟踪。
[0013]本专利技术第三方面提供一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述中的任意一项所述目标跟踪方法。
[0014]本专利技术第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述中的任意一项所述目标跟踪方法。
[0015]本专利技术提供一种目标跟踪方法、系统、电子装置及存储介质，有益效果在于：能够对关联不成功的目标进行重跟踪，从而降低了跟踪目标丢失的几率；另外，能够对关联成功的目标，更新状态，降低了原有状态对目标的干扰，从而提升了鲁棒性。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例目标跟踪方法的流程示意图；
[0018]图2为本专利技术实施例目标跟踪方法的相同目标在不同目标框中的交集图；
[0019]图3为本专利技术实施例目标跟踪方法的使用余弦距离度量相似性的向量图；
[0020]图4为本专利技术实施例目标跟踪系统的框架图；
[0021]图5为本专利技术实施例电子装置的结构示意框图。
具体实施方式
[0022]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：获取需要检测的摄像数据；对所述摄像数据进行轻量级的目标检测，得到所述摄像数据中目标的边框信息；根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；判断相邻两帧的所述摄像数据中的目标是否关联成功；若关联成功，则更新目标状态；若关联不成功，则将上一帧中未关联成功的目标视为丢失目标，在之后的帧中对目标进行重跟踪。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述对所述摄像数据进行轻量级的目标检测检测时，还得到所述摄像数据中目标的类别、置信度；所述对目标进行重跟踪之前，所述方法还包括：对相邻两帧的前帧摄像数据中未关联成功的目标，判断是否从相邻两帧的后帧摄像数据中消失；若消失，则将该未关联成功的目标作为丢失目标，并保存目标信息，所述目标信息包括目标的类别和置信度；根据所述丢失目标的目标信息对丢失目标进行重跟踪。3.根据权利要求2所述的目标跟踪方法，其特征在于，所述对目标进行重跟踪之前，所述方法还包括：判断在相邻两帧的前帧摄像数据之前，是否有丢失目标；若有丢失目标，则根据丢失目标的目标信息对丢失目标进行重跟踪；若无丢失目标，则将未关联的目标作为新出现的目标，赋值新的ID。4.根据权利要求1所述的目标跟踪方法，其特征在于，所述边框信息包括边框大小和边框位置；所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联之前，目标跟踪方法还包括：根据边框大小，计算已经获取的所有帧的摄像数据中，已检测到的所有目标的边框大小的平均值；判断相邻两帧的摄像数据的目标的边框大小是否小于所述平均值；若小于，则对所述小于所述平均值的目标进行增益，并执行所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联；若大于或等于，则执行所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联。5.根据权利要求4所述的目标跟踪方法，其特征在于，所述根据相邻两帧的所述摄像数据中的目标边框信息对目标进行关联，包括：根据所述边框位置，计算相邻两帧的后帧摄像数据中每个目标的边框与前帧摄像数据中完成跟踪的所有目标的卡尔曼滤波后的边框的重叠度，得到重叠度匹配矩阵；计算目标的边框大小与所述平均值的比值的倒数，得...
【专利技术属性】
技术研发人员：李良群，吴镇生，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。