[发明专利]一种抗遮挡目标跟踪方法

说明书

本发明提供一种抗遮挡目标跟踪方法，首先对于输入视频或图像序列，采用目标检测器对视频中的每一帧图像进行检测得到基于检测的候选项；根据输出当前帧的目标检测结果，运用卡尔曼滤波器预测目标在下一帧的位置得到基于跟踪的候选项。根据置信度评分公式计算候选项的置信度，采用非极大值抑制算法得到最终候选项；将相邻帧的候选项输入特征匹配网络，通过级联匹配算法计算目标间的匹配度。将基于检测的候选项通过深度神经网络进行特征提取，进行特征间相似度的匹配；基于跟踪的候选项进行IOU重合度匹配。根据相邻帧的目标匹配结果确定目标在当前帧的位置从而输出目标运动轨迹。在目标遮挡的情况下检测跟踪到目标，并提高跟踪的精度和性能。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种抗遮挡目标跟踪方法。

背景技术

近年来，随着深度神经网络的不断发展和GPU算力的不断提升，基于深度学习的方法在计算机视觉任务上取得突破性进展。目标检测、目标识别、目标跟踪、行人重识别等计算机视觉技术快速发展，在智能监控、人机交互、虚拟现实和增强现实、医疗影像分析等诸多行业和领域中得到了广泛应用。

多目标跟踪(Multi Object Tracking)是经典的计算机视觉任务，通过目标跟踪得到的感兴趣区域是进一步进行高层视觉分析的基础，目标跟踪的准确度将直接影响到计算机视觉系统的性能。现有的多目标跟踪方法大都采用基于检测的跟踪(Tracking-by-Detection)，即基于目标检测器的检测结果下，对帧与帧之间来自相同目标的检测结果进行运动轨迹关联。这种检测方法很大程度上依赖于检测结果。然而，在许多实际应用中，特别是在拥挤的场景中，由于目标之间的交互、目标表观相似和频繁遮挡，检测器的检测结果通常不够准确，从而严重的影响了跟踪的精度和性能。

现有的多目标跟踪算法有的通过大规模数据集重新训练目标检测器以得到更为准确的检测结果，然而忽略了视频图像中的运动信息，方法不够高效。有的通过设计和训练更深的神经网络进行特征提取，以得到更为鲁棒的目标特征，然而基于外观的特征很难解决表观相似性问题，且很难保障算法的实时性能。综上所述，亟需提出新的用于解决目标遮挡交互的抗遮挡目标跟踪方法。

发明内容

本发明为了解决现有的问题，提供一种抗遮挡目标跟踪方法。

为了解决上述问题，本发明采用的技术方案如下所述：

一种抗遮挡目标跟踪方法，包括如下步骤：S1：将视频或图像序列按帧输入到目标检测器中得到目标检测结果，所述目标检测结果是基于检测的候选项，包括每帧图像中所有目标的边界框及检测置信度；S2：根据所述目标检测结果利用联合检测跟踪框架对每帧图像生成基于跟踪的候选项，所述联合检测跟踪框架是通过卡尔曼滤波器及相机运动补偿，对检测结果进行跟踪运动估计，从而得到基于跟踪的候选项；S3：根据所述基于检测的候选项和所述基于跟踪的候选项的置信度大小，运用非极大值抑制算法对所述基于检测的候选项和所述基于跟踪的候选项进行筛选得到筛选后的所述基于检测的候选项和筛选后的所述基于跟踪的候选项；S4：利用预训练好的深度神经网络提取当前帧所有筛选后的所述基于检测的候选项和筛选后的所述基于跟踪的候选项的表观特征；S5：利用级联匹配算法计算相邻帧的目标匹配度，包括：筛选后的所述基于检测的候选项对相邻帧的现有轨迹进行表观特征相似度匹配；筛选后的所述基于跟踪的候选项与相邻帧的现有轨迹的目标边界框进行边界框交并比重合度匹配；S6：根据所述相邻帧的目标匹配度，确定目标在当前帧的位置，从而输出目标运动轨迹。

优选地，所述目标检测器是SDP目标检测器。

优选地，所述置信度由以下置信度评分公式得到：

其中，为第t-1帧的检测置信度,为第t帧的跟踪置信度，N_det为待关联轨迹中所述基于检测的候选项的个数，N_trk为上一次待关联轨迹中所述基于跟踪的候选项的个数，(·)为二值函数，当函数内为真时，值为1，否则为0，参数α是常数。