[发明专利]一种融合空间运动和表观特征学习的多目标跟踪方法

说明书

本发明公开了一种融合空间运动和表观特征学习的多目标跟踪方法，该方法具体为：利用yolo5方法实现图像中目标的检测；建立匀速状态模型和线性观测模型，采用kalman滤波对检测的目标进行预测；利用CNN方法实现检测出目标的特征描述向量；采用融合空间运动信息和表观特征信息的目标相似性度量方法度量当前帧检测目标与历史帧检测目标；根据最小相似度进行当前帧目标与历史帧目标的匹配；对匹配结果的跟踪器进行管理，提高了跟踪器的置信度。本发明通过学习物体的空间运动信息和表观特征信息进行历史帧和当前帧目标的匹配，可以有效解决长期遮挡时目标丢失的情况；通过对跟踪器进行管理，可以有效的控制身份ID的无限增长。

技术领域

本发明涉及一种融合空间运动和表观特征学习的多目标跟踪方法，属于目标跟踪技术领域。

背景技术

近年来，基于检测的多目标跟踪方法渐渐成为主流，因其更加的实时高效。比较经典的是Alex Bewley提出的基于交并集的多目标跟踪方法以及简单实时的多目标跟踪方法(Simple Online and Realtime Tracking，SORT)。

一般SORT方法的具体步骤如下：1、通过kalman滤波方法用上一帧目标的位置预测当前帧目标的位置；2、通过快速区域卷积神经网络(Towards Real-Time ObjectDetection with Region Proposal Networks，Faster R-CNN)网络训练模型，检测当前帧的目标位置；3、计算当前帧中目标的预测位置与检测位置的交并比；4、通过匈牙利算法，关联匹配目标的预测位置和检测位置以期获得最大的交并比；并给每个目标分配身份标识。

现有方法通过先检测出目标；再预测出目标；计算检测目标与预测目标的交并集；匹配检测目标与预测目标。虽然现有方法整体来说能产生很好的跟踪效果，但是没有考虑长期遮挡的情况，也没有考虑身份标识管理的策略，导致产生过多的身份ID，以及长期遮挡是目标丢失情况。

发明内容

本发明所要解决的技术问题是：提供一种融合空间运动和表观特征学习的多目标跟踪方法，通过学习物体的空间运动信息和表观特征信息进行历史帧和当前帧目标的匹配，可以有效解决长期遮挡时目标丢失的情况；同时通过对跟踪器进行管理，可以有效的控制身份ID的无限增长。

本发明为解决上述技术问题采用以下技术方案：

一种融合空间运动和表观特征学习的多目标跟踪方法，包括如下步骤：

步骤1，利用yolo5方法对当前帧上的目标物体进行检测，获取各目标物体在当前帧中的位置；

步骤2，采用卡尔曼滤波方法预测当前帧上各目标物体的位置，得到各目标物体的预测位置，对于每个目标物体，利用预测位置校正步骤1获取的位置，得到最终位置；

步骤3，利用卷积神经网络方法通过最终位置获取各目标物体的特征描述向量；

步骤4，对于当前帧上的第j个目标物体，采用融合空间信息和表观信息的目标相似性度量方法，计算其与当前帧的历史帧中已匹配跟踪器的各目标物体的相似度；

当前帧上的第j个目标物体与当前帧的历史帧中已匹配跟踪器的第i个目标物体的相似度d为：

d＝w1*d1+w2*(1-d2)

其中，w1、w2均为权重参数，d1表示当前帧上的第j个目标物体的特征描述向量与当前帧的历史帧中已存在的标识为i的跟踪器所对应的目标物体的特征描述向量之间的最小相似距离，d2表示交集与并集的比值，其中，交集为当前帧上的第j个目标物体的目标框与当前已存在的标识为i的跟踪器所在的最近历史帧中目标框的交集，并集为当前帧上的第j个目标物体的目标框与当前已存在的标识为i的跟踪器所在的最近历史帧中目标框的并集；