[发明专利]一种基于智慧路灯伴侣的目标接力跟踪算法

说明书

本发明公开了一种基于智慧路灯伴侣的目标接力跟踪算法，本发明利用一种深度网络模型检测出目标，其次利用另一种深度模型提取其特征，对于某个智慧路灯伴侣而言，可以抓拍到某物体的多个视角图像，保存每个视角所提取的特征。系统每隔一段时间进行目标检测，将检测结果与跟踪结果进行融合。当物体移出当前智慧路灯伴侣视野并进入到下一智慧路灯伴侣视野时，下一个智慧路灯伴侣同样进行目标检测并提取特征，将提取出特征与上一智慧路灯伴侣保存的特征比对，由此可以判断是否是同一物体，实现目标的接力跟踪。

技术领域

本发明涉及一种智慧路灯伴侣的目标接力跟踪算法，属于计算机视觉技术领域。

背景技术

视频监控是维护公共安全的重要手段之一，目标跟踪是处理视频的一种基础研究课题。在复杂环境下，传统跟踪算法所面临的问题是：1、用单摄像头进行跟踪，视野受到局限。2、相似目标对跟踪过程造成一定干扰。3、目标在运动过程中发生多次遮挡或形变。4、图像分辨率低或画质低下影响后续处理。多摄像头能在一个广阔的区域上跟踪目标，得到的目标轨迹更完整，也更具实际应用意义；但同时也带来一些新的问题，如数据融合，目标匹配等，这些都是目前所研究的重点、难点问题，然而这并不妨碍多摄像头系统逐渐成为监控跟踪领域的主流趋势。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于智慧路灯伴侣的目标接力跟踪算法，它利用智慧路灯伴侣上的四个摄像头，多角度抓拍图像，获取更广阔的视野和更完整的目标轨迹。智慧路灯伴侣每隔一段相等距离部署于道路两旁，当物体运动经过时，后台服务器先利用一种深度网络模型检测出目标，其次再利用另一种深度模型提取特征。每个智慧路灯能抓拍到某物体的多个视角图像，保存每个视角所提取的特征，并利用这些特征进行目标跟踪及物体边界确定。此外，系统每隔一段时间进行一次目标检测，将检测结果与跟踪结果进行融合，修正由持续跟踪时，目标产生形变或遮挡所带来的边界误差。当物体移出当前路灯视野并进入到下一智慧路灯伴侣视野时，下一个智慧路灯伴侣同样进行目标检测并提取特征，将提取出特征与上一路灯保存的特征比对，判断是否为同一物体，实现目标的接力跟踪。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于智慧路灯伴侣的目标接力跟踪算法，包括以下步骤：

步骤1，采用汽车和行人两类样本训练一个能够检测多种目标类别的深度神经网络；

步骤2，通过摄像头观察周围的环境，对摄像头的摄像视频通过步骤1训练得到的深度神经网络每隔n帧检测目标并提取其在网络中不同层次的卷积特征。

步骤3，利用卷积特征，实现目标在下一帧的精确定位，融合检测结果与跟踪结果。

步骤4，对于任一一个检测到的目标，将其高层卷积特征与相邻路灯保存的特征做比对，通过计算两者的相似度来确定是否是同一物体。

优选的：步骤1中的深度神经网络训练，使用汽车和行人两类样本训练检测模型，然后使用多类别的数据集训练特征提取网络模型。

优选的：步骤2中每隔n帧使用深度神经网络检测行人及车辆两类目标，并提取网络的一层以上的卷积特征。设目标在上一帧的坐标p_t-1，在当前帧t以p_t-1为中心截取出一块搜索区域，将搜索区域图像送入特征提取网络，提取卷积特征，作插值运算使特征图具有相同的分辨率。

优选的：所述步骤3中利用卷积特征及目标在上一帧的位置，实现在当前帧的精确定位，融合检测与跟踪结果：

步骤31，为每一层特征图构造相关滤波器，再将目标函数用快速傅里叶变换转到频域，得到函数的最优解。

步骤32，将提取出的每一层特征图按照从后向前的顺序，与对应的相关滤波器作卷积。首先在最后一层的特征图上作卷积，取最大响应值对应的坐标作为前一层的初始搜索坐标，然后在该层r×r的区域内与相关滤波器作卷积，以此类推。