[发明专利]一种多目标跟踪方法、终端设备及存储介质

说明书

本发明公开了一种多目标跟踪方法、终端设备及存储介质，该多目标跟踪方法包括：检测出当前帧视频图像中待跟踪的多个目标对象；分别提取多个目标对象的HOG特征与颜色直方图特征，并将其输入根据上一帧视频图像更新的跟踪器，以获取当前帧视频图像的跟踪结果；提取跟踪结果的HOG特征与颜色直方图特征，根据其更新当前的跟踪器；重复以上步骤，直至跟踪过程结束后分别获取每个目标对象在整个跟踪过程中的运动轨迹；其中，在获取跟踪结果的过程中实时调整跟踪框的大小，以使其自适应与其对应的目标对象的大小。本发明减少了跟踪结果中的漂移现象，并能让跟踪框自适应跟踪目标对象的大小。

技术领域

本发明涉及目标检测及跟踪技术领域，特别是涉及一种多目标跟踪方法、终端设备及存储介质。

背景技术

人脸多目标跟踪技术越来越受到学术界和商业界的关注。人脸多目标跟踪作为一项重要的基础性技术，通常在安防监控和客流统计等诸多应用场景下有着极为重要的价值。人脸多目标跟踪技术旨在通过计算机视觉技术在监控视频场景中得到每个目标从出现在视野中到从视野中消失的完整运动轨迹。由于不同监控场景下行人存在遮挡和运动模式复杂等差异大的问题，多目标跟踪一直是图像识别中难度较大的领域。

目前，比较热门的多目标跟踪方法是核化相关滤波跟踪算法(Kernerlizedcorrelation filter，KCF)，是由joao faro于2014年提出来的，是目前大多数基于相关滤波跟踪算法的基础框架。基于相关滤波(Correlation filter,CF)的跟踪方法由于在跟踪性能和计算效率上的出色表现使其成为当前目标跟踪领域的研究热点。随着人脸检测技术的快速发展，基于深度学习的人脸检测方法，相比传统的人脸检测方法，提高了目标检测的精确度。更准确的检测结果可以进一步的促进跟踪算法的发展和跟踪效果的提升。使用模板特征时，KCF跟踪算法对目标快速变形时跟踪不够准确，在使用HOG特征时，由于该特征描述的是目标的形态信息，因此当目标形态发生显著变化时(例如遮挡HE转向等姿态变化)就会产生跟踪错误。另外，KCF跟踪算法对跟踪目标的尺度(大小)变化适应性不强，通常的解决办法是加一个尺度变化的比例系数得到不同的尺度来构成尺度金字塔，再对候选目标区域分别在不同的尺度条件下进行检测，然后按照某种规则通过多次检测的结果选取最优的一个尺度作为最终结果，这样做的代价是会明显牺牲原有算法的速度优势。

当前KCF跟踪算法还存在边界效应，即算法对快速运动的物体或者是低频率的视频不够准确。因为在这种情况下，下一帧图像中目标的位置会偏离跟踪算法初始设定的搜索范围中心太远。另外，相对跟踪算法的搜索框而言正确目标的位置要么靠近搜索框边缘，要么出去一部分或者全不在搜索框内，当经过跟踪算法中的余弦窗步骤的处理后，那些运动到靠近搜索框边缘位置的目标也会由于余弦窗的存在而损失掉部分目标信息，同理对那些运动到位置超出搜索框范围一半或者完全不在搜索框范围内的目标将会损失更多的信息，从而无法正确匹配，产生跟踪错误。总之，基于模板特征的KCF跟踪方法，对人脸目标的快速变形和快速运动处理不好，KCF跟踪方法不能随着目标大小的变化，自适应地改变跟踪框的大小。

发明内容

本发明实施例主要提供一种多目标跟踪方法、终端设备及存储介质，以解决现有技术中，使用HOG特征时，KCF跟踪算法对目标快速变形时跟踪不够准确，由于该HOG特征描述的是目标的形态信息，因此当目标形态发生显著变化时(例如遮挡和转向等姿态变化)，就会产生跟踪错误的问题。

为解决上述技术问题，本发明实施例采用的一技术方案如下：

一种多目标跟踪方法，其包括：