[发明专利]一种融合单目标跟踪结果的在线多目标跟踪方法

说明书

本发明公开了一种融合单目标跟踪结果的在线多目标跟踪方法，该算法包括：利用单目标跟踪算法CSRT预测目标当前的位置；利用ReID网络模型对预测框和检测框区域分别提取特征向量，计算特征向量的相似度；结合目标、预测框，以及检测框构建一个有权重的无向图；利用马尔可夫聚类算法对无向图进行聚类操作，得到集群；最后根据集群中的预测框和检测框更新目标的当前位置。本发明的在线多目标跟踪算法，不仅提高了多目标跟踪的精度，且有效地改善了因目标遮挡、目标尺寸小等造成检测框漏检的情况。

技术领域

本发明涉及视觉跟踪领域，具体涉及一种融合单目标跟踪结果的在线多目标跟踪方法。

背景技术

视频中的多目标跟踪是许多视觉应用的基本且重要的任务，例如视频监控和自动驾驶。此任务的目的是在每个帧中定位多个对象并获取每个标识的轨迹。目前大多数方法都是基于检测框的跟踪方法，包括在线跟踪方式和离线跟踪方式：在线跟踪方式是根据目标和检测框的相似度构建关联矩阵，利用匹配算法匹配目标和检测框位置；离线跟踪方式是根据一段时期内的检测框以及之间的相似度构建图，利用子图划分解决目标跟踪。

Wojke Nicolai等人提出DeepSort方法，其主要利用匈牙利算法根据目标与检测框的相似度进行匹配，连接轨迹。Zhu Ji等人利用改善后的ECO跟踪器跟踪目标，在配合带有空间和时间注意力机制的DMAN网络判断目标与预测框的相似程度。

尽管上述方法在多目标跟踪结果上有很大进步，但是这些方法十分依赖检测框或十分依赖预测框的效果。若依赖检测框，会造成因漏检目标而丢失目标情况发生；若依赖预测框，而单目标跟踪器在复杂场景下容易跟丢目标，最终导致跟踪效果不佳。所以需要设计一种结合预测和检测的优势、提高跟踪目标的精度的多目标跟踪方法。

发明内容

本发明的目的在于提出一种融合单目标跟踪结果的在线多目标跟踪方法，结合单目标跟踪器的预测结果，利用马尔可夫聚类算法对两帧的目标、预测框、检测框进行聚类，利用预测框解决检测器因目标遮挡或目标过小而漏检的问题。

实现本发明目的的技术解决方案为：一种融合单目标跟踪结果的在线多目标跟踪方法，包括如下步骤：

步骤1、利用单目标跟踪算法预测目标当前的位置；

步骤2、利用ReID网络模型对预测框和检测框区域分别提取特征向量，计算特征向量的相似度；

步骤3、结合目标、预测框以及检测框构建一个有权重的无向图；

步骤4、利用马尔可夫聚类算法对无向图进行聚类操作，得到集群；

步骤5、根据集群中的预测框和检测框更新目标的当前位置。

本发明与现有技术相比，其显著优点为：(1)本发明利用单目标跟踪算法在短时间内持续跟踪目标，得到目标位置，有效地弥补了因目标遮挡或目标过小而漏检目标的问题；(2)本发明利用马尔可夫聚类算法，聚类一个目标的多个位置，有效地解决了在线跟踪方式中因冗余检测结果而导致一个目标有多个标识的问题。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1为本发明融合单目标跟踪结果的在线多目标跟踪方法流程图。

图2为本发明构建的加权无向图的示意图。

图3为本发明聚类加权无向图结果的示意图。

图4为本发明在位置更新类型的示意图。

图5为本发明的实验结果与检测框结果在MOT17数据集上的对比图。

图6为本发明在MOT19数据集上的结果可视化图。

具体实施方式