[发明专利]一种图像跟踪方法、装置、存储介质及电子设备

说明书

本发明公开了一种图像跟踪方法、装置、存储介质及电子设备，包括逐帧读取实时视频流图像并对图像进行归一化处理；其次通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；采用DeepSort多目标跟踪算法对检测框进行跟踪，得到唯一的目标ID；最后将获取的目标ID和对应检测框进行存储，以便后续进行序列分析或还原目标轨迹等任务时调用。通过上述方案提出的跟踪算法，提高了每个网格点所负责预测的目标个数，大幅改善物体密集、物体重叠和物体交叉时的跟踪效果。

技术领域

本发明属于计算机软件领域技术领域，具体涉及一种图像跟踪方法、装置、存储介质及电子设备。

背景技术

在非结构化数据领域，技术带来了前所未有的爆炸性变化。移动设备、Web站点、社交媒体、科学仪器、卫星、IoT设备以及监控摄像头这样的数据源每秒钟都会产生大量的图片和视频。

管理和有效分析这些数据是一个很大的挑战，我们可以考虑某个城市的视频监控网络。试图监控每个摄像头的视频流来发现感兴趣的对象和事件是不现实且低效的。相反，计算机视觉库能够处理这些视频流并提供智能的视频分析和对象探测结果。

在基于视频流的分析、处理方法中，目标检测和多目标跟踪算法是所有任务的基石，但是目前的目标检测和多目标跟踪算法存在诸多问题，如：两个以上物体重叠较大时时只能检测到一个物体、多个物体交叉运动时跟踪目标丢失、单纯基于目标框交并比的跟踪无法利用到物体的像素特征等。有鉴于此，特提出本发明。

发明内容

针对现有技术中的缺陷，本发明提出一种图像跟踪方法、装置、存储介质及电子设备，解决了现有算法在物体密集、多目标交叉时跟踪算法失效以及无法有效利用物体像素特征等问题。

为实现上述目的，本发明的技术方案如下：

一种图像跟踪方法，所述方法包括：

逐帧读取实时视频流图像，对所述图像进行归一化处理；

通过YOLOv4深度学习算法，对归一化后的图像进行目标检测，得到单帧图像的检测框和目标类别；

采用DeepSort多目标跟踪算法对所述检测框进行跟踪，得到唯一的目标ID；

将获取的目标ID和对应检测框进行存储。

优选的，所述逐帧读取实时视频流图像，对图像进行归一化处理包括：获取视频流地址，并实时解帧；对解帧获得的图像进行缩放处理，以使图像满足预设尺寸要求；

计算图像像素的均值和方差；

将图像中的每一个像素值减去其均值并除以方差，以得到归一化后的图像。

优选的，所述通过YOLOv4深度学习算法对归一化后的图像进行目标检测，得到检测框和目标类别包括：

将获得的归一化后的图像输入预先定义的YOLOv4深度学习模型中，将所述归一化后的图像进行分割得到多个网格，每个网格中生成一个检测框；

对所述检测框进行卷积层处理，获得单帧图像的检测框和目标类别。

进一步地，所述预先定义的YOLOv4深度学习模型包括：特征提取网络、CSP模块、SPP模块、特征融合模块和CIOU_Loss模块；

在特征提取网络中采用CSP模块将基础层的特征映射划分为两部分，通过跨阶段层次结构将特征合并；将合并获得的特征图输入SPP模块，SPP模块将特征图压缩之后进行上采样，并将不同级别的特征图合成最终SPP特征图，将所述SPP特征图以及CSP模块输出的特征图输入所述特征融合模块，所述CIOU_Loss模块基于特征融合模块输出的不同尺度的融合特征进行分类检测，输出最终的目标检测结果。