[发明专利]一种监控场景多目标跟踪方法及系统

说明书

本发明公开了一种监控场景多目标跟踪方法及系统，基于剪枝优化后的多假设跟踪，所述方法包括如下步骤：接收当前帧的目标检测框；基于所述当前帧的目标检测框，生成每个目标可能的位置的假设；基于最近多个帧的所有假设，求解最大独立子集和问题，得到每个目标可以选取的相互不冲突的假设路径，输出所述多个帧前的每个目标的位置；结合所述最大独立子集和问题的解和匈牙利算法进行剪枝优化，得到多目标跟踪结果。本发明提出一种新型的优化剪枝的方法，使得多假设跟踪的算法的复杂度大幅度减少。对于监控场景的多目标跟踪，能够充分利用CPU资源，不占用GPU资源，实时地对多目标进行跟踪；并可以通过改变整合信息时间的长短，实现对算法复杂度和精度平衡的调整。

技术领域

本发明涉及一种计算机技术领域，尤其是涉及监控场景多个目标的实时跟踪方法及系统。

背景技术

在对监控视频进行智能分析的过程中，通常过程是提取目标的检测框，通过多目标跟踪方法赋予每个目标自己特有的识别码，用于区分不同的目标。多目标跟踪方法是计算机领域研究的一个非常经典的问题。通常算法会将跟踪问题转化为图模型进行求解。但是通常很难做到灵活地调节算法的精度和速度的平衡。近年来多目标跟踪方法的改进大多是基于深度学习的特征提取方法。通过在多目标跟踪方法中引入一个深度特征提取网络，得到该目标的深度特征，以提高复杂场景中的跟踪准确性，并能一定程度上对搜索空间进行剪枝。但是基于深度特征的方法在速度上受到GPU资源的限制。

在实际监控视频智能处理的场景中，GPU资源往往非常紧张，CPU资源一般较为宽松。基于深度特征的网络的跟踪算法的速度严重依赖GPU的性能。在场景的目标数较多时，或者别的算法模块也占用着GPU资源的情况下，深度特征的提取过程会严重拖慢多目标跟踪方法的实时性。

另外，不同的应用场景可能对算法的复杂度与精度的平衡有不同的要求，而目前成型的算法大多没有任何调整空间，只能在单一算法复杂度下进行计算。

不基于深度特征提取的多假设跟踪能有效利用CPU资源，并能通过调整整合信息时间的长短，实现对复杂度与精度的平衡的调整。但是原始的多假设跟踪算法中，虽然最大独立子集和算法(MWIS)会对假设树进行剪枝，但是每个目标的假设数目在到达剪枝的时间点前仍会随着时间成几何倍数的增长，难以综合较长时间的假设信息做出判断。

发明内容

本发明的目的是通过以下技术方案实现的。

根据本发明的第一个方面，提出了一种监控场景多目标跟踪方法，基于剪枝优化后的多假设跟踪，包括如下步骤：

接收当前帧的目标检测框；

基于所述当前帧的目标检测框，生成每个目标可能的位置的假设；

基于最近多个帧的所有假设，求解最大独立子集和问题，得到每个目标可以选取的相互不冲突的假设路径，输出所述多个帧前的每个目标的位置；

结合所述最大独立子集和问题的解和匈牙利算法进行剪枝优化，得到多目标跟踪结果。

根据本发明的第二个方面，提出了一种监控场景多目标跟踪系统，包括如下模块：

检测框接收模块，用于接收当前帧的目标检测框；

假设位置生成模块，基于所述当前帧的目标检测框，生成每个目标可能的位置的假设；

目标位置计算模块，基于最近多个帧的所有假设，求解最大独立子集和问题，得到每个目标可以选取的相互不冲突的假设路径，输出所述多个帧前的每个目标的位置；

剪枝优化模块，结合所述最大独立子集和问题的解和匈牙利算法进行剪枝优化，得到多目标跟踪结果。