[发明专利]一种基于头肩检测的多目标跟踪方法

说明书

本发明涉及一种基于头肩检测的多目标跟踪方法，包括以下步骤：S1、构建头肩检测数据集，对改进的YOLOv3目标检测网络进行训练；S2、建立头肩外观特征提取的图像数据集；S3、输入视频流；S4、外观提取模型采用全局与局部特征的策略，利用代价矩阵进行跟踪相似度匹配；S5、借助代价矩阵和头肩检测数据进行相似度匹配，更新操作得出跟踪结果；S6、若有数据帧输入，则重复步骤S3至步骤S5的操作直至输入数据结束。本发明通过利用头肩外观特征提取模型，采用全局特征和局部特征融合的策略，提升外观提取模型对图像细粒度信息的敏感程度，更有效地提取头肩的外观特征信息，从而提升头肩跟踪的效果。

技术领域

本发明涉及计算机视觉与模式识别相关领域，尤其涉及一种基于头肩检测的多目标跟踪方法。

背景技术

随着计算机视觉相关技术的高速发展，目标检测与跟踪技术被应用到实际生活中提升人们的生活水平。由于人在社会生产中占主导地位，因此，行人检测与跟踪一直 是计算机视觉领域的研究热点，为车辆自动驾驶、智能监控等提供必要的技术保障， 利用计算机视觉技术实现检测与跟踪人体头肩有着广泛的商业应用与价值。

对于目标检测领域，现有的方法中大致分为三种方法：模板匹配方法、提取特征方法(HOG+SVM)和基于深度学习的检测方法。

对于目标跟踪领域，多年来涌现许多优秀的算法，例如mean-shift(使用卡尔曼滤波、粒子滤波进行状态预测)、基于在线学习的跟踪、KFC(基于相关性滤波)、基于 光流法等众多现有的跟踪算法，但不足的是这些现有的方法难以处理多目标跟踪中出 现的相关问题：处理新目标的出现和老目标的消失、跟踪目标的相似度判别和运动预 测，即相邻两帧目标的匹配、跟踪目标之间的遮挡、形变和重叠的处理和跟踪目标丢 失。

在行人较为密集的场景中，行人之间经常存在姿态变化和相互遮挡的问题，姿态变化和遮挡影响检测器的检测效果，使漏检的概率增大，因此，需要寻找一种改善姿 态变化与遮挡引起的问题的解决方案。

发明内容

为解决现有技术所存在的技术问题，本发明提供一种基于头肩检测的多目标跟踪方法，通过使用改进的YOLOv3检测网络提升对头肩目标的检测能力，利用头肩外观 特征提取模型，采用全局特征和局部特征融合的策略，提升外观提取模型对图像细粒 度信息的敏感程度，更有效地提取头肩的外观特征信息，从而提升头肩跟踪的效果。

本发明采用以下技术方案来实现：一种基于头肩检测的多目标跟踪方法，包括以下步骤：

S1、通过构建头肩检测数据集，并且对头肩数据集进行标注，再基于头肩数据集对改进的YOLOv3目标检测网络进行训练，获取头肩检测模型，通过头肩检测模型实 时检测出视频图像中人的头肩，输出头肩的位置信息；

S2、通过建立头肩外观特征提取的图像数据集，并设计外观特征提取网络进行训练，获取头肩外观特征提取模型，通过头肩外观特征提取模型提取出用于目标相似度 匹配的外观特征信息；

S3、输入视频流，并从输入的视频流中获取一帧图像数据，利用头肩检测模型获取此视频帧图像数据中的头肩信息；

S4、将头肩检测模型获取的头肩信息输入到经过训练的外观特征提取模型得到固定维度的头肩特征信息，将提取出的头肩特征信息用作外观信息的描述，且外观提取 模型采用全局特征融合局部特征的策略，利用头肩位置和外观特征信息共同组成代价 矩阵进行跟踪相似度匹配；

S5、若是视频流的第一帧图像数据则将检测到的头肩初始化为头肩跟踪数据，若不是第一帧数据则对前一帧的头肩跟踪数据进行预测操作，得出当前帧的头肩跟踪预 测数据，然后借助代价矩阵和当前帧的头肩检测数据进行相似度匹配，再通过更新操 作得出当前帧的跟踪结果；

S6、若还有后续数据帧输入，则重复步骤S3至步骤S5的操作直至输入数据结束。