【技术实现步骤摘要】
本专利技术涉及大数据分析及应用，具体涉及用于边缘设备的目标跟踪方法、装置、设备及存储介质。
技术介绍
1、随着现在生活中监控的普及，对监控视频下的行人信息捕捉并进行分析，用于辅助查找目标人物、罪犯等，可以节省大量的人力和时间，并快速的定位到目标人物、罪犯出现的视频位置。
2、随着计算机视觉和机器学习的发展进步，使用带有npu芯片的监控设备可以直接检测出人体的相关信息，比如人脸、人头、人体等。但是，现有的基于深度学习的目标检测方法有人脸或人头检测、人体检测，很少有检测人脸或者人头的同时检测人行。若在同一个神经网络的输出检测人脸或者人头的同时检测人体的话，这种情况下由于网络的耦合，使得人脸或者人头、人体的检测效果并不理想。当视频监控中对行人进行跟踪定位时，往往会受到环境干扰，比如光线、部分遮挡等，导致人体信息抓拍丢失或者不准确，容易出现目标跟丢的问题。
技术实现思路
1、本专利技术实施例提供用于边缘设备的目标跟踪方法、装置、设备及存储介质，能够解决现有技术中因同时检测人脸或人头、人体效果不理想而出现的目标容易跟丢的问题。所述技术方案如下：
2、根据本专利技术实施例的第一方面，提供用于边缘设备的目标跟踪方法，所述方法包括：
3、获取目标训练集，所述目标训练集包括至少一个带有行人的成帧图像；
4、将所述至少一个带有行人的成帧图像中的图像信息标注为头面框和人体框，所述头面框为人脸或人头框，所述图像信息包括人头或人脸、人体；
5、对所
6、将待测图像输入所述定位模型获得目标图像框信息，所述待测图像中包括目标索引的人头、人脸以及人体图像，所述目标图像框信息包括所述目标索引的人头、人脸以及人体图像对应的目标头面框和目标人体框；
7、将所述目标图像框信息采用多目标跟踪算法进行跟踪，获得所述目标索引的跟踪图像。
8、本专利技术实施例提供的用于边缘设备的目标跟踪方法，首先获取目标训练集，目标训练集包括至少一个带有行人的成帧图像；将至少一个带有行人的成帧图像中的图像信息标注为头面框和人体框，头面框为人脸或人头框，图像信息包括人头或人脸、人体；对目标训练集进行深度卷积神经网络训练，获得定位模型；然后将待测图像输入定位模型获得目标图像框信息，待测图像中包括目标索引的人头、人脸以及人体图像，目标图像框信息包括目标索引的人头、人脸以及人体图像对应的目标头面框和目标人体框；最后将目标图像框信息采用多目标跟踪算法进行跟踪，获得目标索引的跟踪图像。本专利技术结合基于深度学习的检测方法使得人脸或者人头和人体的检出效果较好，再联合多目标跟踪算法，能够有效的解决目标短暂性被遮挡而出现的目标容易跟丢的问题，本专利技术方法简单，目标跟踪准确度高。
9、作为本专利技术再进一步的方案：对所述目标训练集进行深度卷积神经网络训练，获得定位模型具体包括：
10、在所述图像信息的标注结果为头面框和人体框同时存在时，将所述头面框用人头或人脸的解耦合检测头进行目标框的回归和目标得分的训练；
11、将所述人体框用人体的解耦合检测头进行目标框的回归和目标得分的训练；
12、待训练次数超过预设阈值后，将平均精度map最大的模型确认为所述定位模型。
13、作为本专利技术再进一步的方案：将所述目标图像框信息采用多目标跟踪算法进行跟踪，获得所述目标索引的跟踪图像包括：
14、判断所述目标头面框和所述目标人体框是否匹配；
15、在所述目标头面框和所述目标人体框匹配时，关联所述目标头面框和所述目标人体框，获得所述目标索引的跟踪图像。
16、作为本专利技术再进一步的方案：在所述关联所述目标头面框和所述目标人体框之后，所述方法还包括：
17、在所述目标头面框的索引或所述所述目标人体框的索引与所述目标索引不同时，将所述目标头面框的索引或所述所述目标人体框的索引修改为所述目标索引。
18、作为本专利技术再进一步的方案：所述判断所述目标头面框和所述目标人体框是否匹配包括：
19、计算所述目标头面框与目标人体框的重叠部分相对于目标头面框的重叠率以及目标头面框在纵轴方向与目标人体框的占比，当所述重叠率大于第一预设阈值，且所述占比小于第二预设阈值时，则确定所述目标头面框与所述目标人体框匹配。
20、作为本专利技术再进一步的方案：所述重叠率通过以下第一公式进行计算，所述第一公式包括：
21、fiou＝w_delt*h_delt/(face_box_w*face_box_h)；
22、其中，fiou为重叠率，w_delt、h_delt分别为所述目标头面框和所述目标人体框的重叠部分的宽和高；face_box_w、face_box_h分别为所述目标头面框的宽和高；
23、所述占比通过以下第二公式进行计算，所述第二公式包括：
24、ratio＝face_box_cent_y-person_box_y/person_box_h；
25、其中，ratio为占比，face_box_cent_y为所述目标头面框中心点的纵坐标；person_box_y为所述目标人体框的纵坐标；person_box_h为所述目标人体框的高。
26、作为本专利技术再进一步的方案：上述方法还包括：
27、在所述跟踪图像中确定靠近图像中心且所述目标索引的人体框的置信度最高的图像为目标跟踪图像。
28、根据本专利技术实施例的第二方面，提供用于边缘设备的目标跟踪装置，包括第一获取模块、标注模块、训练模块、第二获取模块以及跟踪模块；
29、所述第一获取模块，用于获取目标训练集，所述目标训练集包括至少一个带有行人的成帧图像；
30、所述标注模块，用于将所述至少一个带有行人的成帧图像中的图像信息标注为头面框和人体框，所述头面框为人脸或人头框，所述图像信息包括人头或人脸、人体；
31、所述训练模块，用于对所述目标训练集进行深度卷积神经网络训练，获得定位模型；
32、所述第二获取模块，用于将待测图像输入所述定位模型获得目标图像框信息，所述待测图像中包括目标索引的人头、人脸以及人体图像，所述目标图像框信息包括所述目标索引的人头、人脸以及人体图像对应的目标头面框和目标人体框；
33、所述跟踪模块，用于将所述目标图像框信息采用多目标跟踪算法进行跟踪，获得所述目标索引的跟踪图像。
34、本专利技术实施例提供的用于边缘设备的目标跟踪装置，包括第一获取模块、标注模块、训练模块、第二获取模块以及跟踪模块；第一获取模块获取目标训练集，目标训练集包括至少一个带有行人的成帧图像；标注模块将至少一个带有行人的成帧图像中的图像信息标注为头面框和人体框，头面框为人脸或人头框，图像信息包括人头或人脸、人体；训练模块对目标训练集进行深度卷积神经网络训练，获得定位模型；第二获取模块将待测图像输入本文档来自技高网...
【技术保护点】
1.用于边缘设备的目标跟踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于边缘设备的目标跟踪方法，其特征在于，所述对所述目标训练集进行深度卷积神经网络训练，获得定位模型具体包括：
3.根据权利要求1所述的用于边缘设备的目标跟踪方法，其特征在于，所述将所述目标图像框信息采用多目标跟踪算法进行跟踪，获得所述目标索引的跟踪图像包括：
4.根据权利要求3所述的用于边缘设备的目标跟踪方法，其特征在于，在所述关联所述目标头面框和所述目标人体框之后，所述方法还包括：
5.根据权利要求3所述的用于边缘设备的目标跟踪方法，其特征在于，所述判断所述目标头面框和所述目标人体框是否匹配包括：
6.根据权利要求5所述的用于边缘设备的目标跟踪方法，其特征在于，所述重叠率通过以下第一公式进行计算，所述第一公式包括：
7.根据权利要求5所述的用于边缘设备的目标跟踪方法，其特征在于，所述方法还包括：
8.用于边缘设备的目标跟踪装置，其特征在于，包括：第一获取模块、标注模块、训练模块、第二获取模块以及跟踪模块；
...【技术特征摘要】
1.用于边缘设备的目标跟踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于边缘设备的目标跟踪方法，其特征在于，所述对所述目标训练集进行深度卷积神经网络训练，获得定位模型具体包括：
3.根据权利要求1所述的用于边缘设备的目标跟踪方法，其特征在于，所述将所述目标图像框信息采用多目标跟踪算法进行跟踪，获得所述目标索引的跟踪图像包括：
4.根据权利要求3所述的用于边缘设备的目标跟踪方法，其特征在于，在所述关联所述目标头面框和所述目标人体框之后，所述方法还包括：
5.根据权利要求3所述的用于边缘设备的目标跟踪方法，其特征在于，所述判断所述目标头面框和所述目标人体框是否匹配包括：
6.根据权利要求5所述的用于边缘设备的目标跟踪方法，其特征在于，所述重叠率...
【专利技术属性】
技术研发人员：张祥祥，沈修平，
申请(专利权)人：上海悠络客电子科技股份有限公司，
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。