[发明专利]一种基于深度学习的多目标追踪系统及实现方法

说明书

技术领域

本发明涉及图像处理领域，特别涉及一种基于深度学习的多目标追踪系统及实现方法，实现对于多目标准确且快速追踪的问题。

背景技术

运动目标跟踪就是在一个连续视频序列中，在每一帧监控画面中找到感兴趣的运动目标(例如，车辆，行人，动物等)。跟踪可以大致分为以下几个步骤：

1)目标的有效描述；目标的跟踪过程跟目标检测一样，需要对其进行有效的描述，即，需要提取目标的特征，从而能够表达该目标；一般来说，我们可以通过图像的边缘、轮廓、形状、纹理、区域、直方图、矩特征、变换系数等来进行目标的特征描述；

2)相似性度量计算；常用的方法有：欧式距离、马氏距离、棋盘距离、加权距离、相似系数、相关系数等；

3)目标区域搜索匹配；如果对场景中出现的所有目标都进行特征提取、相似性计算，则系统运行所耗费的计算量是很大的。所以，目前通常采用一定的方式对运动目标可能出现的区域进行估计，从而减少冗余，加快目标跟踪的速度；常见的预测算法有：Kalman滤波、粒子滤波、均值漂移等等。

基于上述，运动目标跟踪的目标追踪算法一般包括基于主动轮廓的跟踪、基于特征的跟踪、基于区域的跟踪以及基于模型的跟踪。跟踪算法的精度和鲁棒性很大程度上取决于对运动目标的表达和相似性度量的定义，跟踪算法的实时性取决于匹配搜索策略和滤波预测算法。

基于主动轮廓的跟踪，是在图像域内定义的可变形曲线即Snake曲线，通过对其能量函数的最小化，动态轮廓逐步调整自身形状与目标轮廓相一致。Snake技术可以处理任意形状物体的任意形变，首先将分割得到的物体边界作为跟踪的初始模板然后确定表征物体真实边界的目标函数，并通过降低目标函数值，使初始轮廓逐渐向物体的真实边界移动。基于主动轮廓跟踪的优点是不但考虑来自图像的灰度信息，而且考虑整体轮廓的几何信息，增强了跟踪的可靠性。由于跟踪过程实际上是解的寻优过程，带来的计算量比较大，而且由于Snake模型的盲目性，对于快速运动的物体或者形变较大的情况，跟踪效果不够理想。

基于特征的跟踪，其不考虑运动目标的整体特征，只通过目标图像的一些显著特征来进行跟踪。假定运动目标可以由惟一的特征集合表达，搜索到该相应的特征集合就认为跟踪上了运动目标。主要包括特征提取和特征匹配两个方面：特征提取的目的是进行帧间目标特征的匹配，并以最优匹配来跟踪目标。常见的基于特征匹配的跟踪算法有基于二值化目标图像匹配的跟踪、基于边缘特征匹配或角点特征匹配的跟踪、基于目标灰度特征匹配的跟踪、基于目标颜色特征匹配的跟踪等。基于特征的跟踪算法对于图像模糊、噪声等比较敏感，图像特征的提取效果也依赖于各种提取算子及其参数的设置，此外，连续帧间的特征对应关系也较难确定，尤其是当每一帧图像的特征数目不一致、存在漏检、特征增加或减少等情况。

基于区域的跟踪，通过得到包含目标的模板，该模板可通过图像分割获得或预先人为确定，模板通常为略大于目标的矩形，也可为不规则形状；在序列图像中，运用相关算法跟踪目标。其缺点首先是费时，当搜索区域较大时情况尤其严重；其次，算法要求目标变形不大，且不能有太大遮挡，否则相关精度下降会造成目标的丢失。近年来，对基于区域的跟踪方法关注较多的是如何处理模板变化时的情况，这种变化是由运动目标姿态变化引起的，如果能正确预测目标的姿态变化，则可实现稳定跟踪。

基于模型的跟踪，是通过一定的先验知识对所跟踪目标建立模型，然后通过匹配跟踪目标进行模型的实时更新。对于刚体目标来说，其运动状态变换主要是平移、旋转等，可以利用该方法实现目标跟踪。但是实际应用中跟踪的不仅仅是刚体，还有一大部分是非刚体，目标确切的几何模型不容易得到。这种方法不易受观测视角的影响，具有较强的鲁棒性，模型匹配跟踪精度高，适合于机动目标的各种运动变化，抗干扰能力强，但由于计算分析复杂、运算速度慢，模型的更新较为复杂，实时性较差。准确建立运动模型是模型匹配能否成功的关键。

现如今的目标追踪算法网络存在冗余多，速度慢，模型大，难以实用,无法实时追踪等问题。而深度学习的概念源于人工神经网络的研究，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

发明内容

本发明要解决的技术问题是，提供通过物体检测获得一个基准帧的各目标物体的准确位置，并在目标初始位置的基础上能够对各个目标物体进行长时间的追踪的系他。

解决上述技术问题，本发明提供了一种基于深度学习的多目标追踪方法，包括如下步骤：

通过目标检测获得第一帧的目标位置，将多个待追踪目标加入到追踪队列中，