[发明专利]一种基于深度学习的视频接力跟踪方法及系统

说明书

本发明公开了一种基于深度学习的视频接力跟踪方法及系统，属于视频追踪技术领域，包括以下步骤：S1：获得目标位置和目标深度特征；S2：进行IOU匹配；S3：进行特征相似性度量；S4：目标接力跟踪。本发明采用无锚框的目标检测算法作为变电监控环境中的检测算法，并针对变电场景选择合适主干网络并训练特定目标检测器，以适应不同硬件设备的部署；采用基于深度学习的特征提取网络提取的鲁棒特征用于跨摄像头目标关联匹配，可以提高变电站监控智能化水平，以应对无人值守环境下大场景或大范围内实现可疑目标检测和连续跟踪，值得被推广使用。

技术领域

本发明涉及视频追踪技术领域，具体涉及一种基于深度学习的视频接力跟踪方法。

背景技术

随着电力工业的不断发展，电力部门网络的全面改造工程已经实施，各变电站、变电所、通讯站等要实现少人或无人值守，以提高生产效益。各地区电业局都设立了运行管理值班室及调度部门，由于不能全面掌握现场状况，给各部门的运行协调带来了一定的困难。

完整的多摄像头接力跟踪包括目标定位、单摄像头机内追踪和多摄像头间交接三个部分。传统基于先验信息的目标定位方法包括静态背景下的目标检测和复杂背景下的目标检测。静态背景下目标检测多采用差分法、模板匹配法、减除背景法。复杂背景下的目标检测包括运动背景下的目标检测和大场景下目标检测。无论是运动背景下的目标检测还是大场景下的目标检测，都需要利用一定的算法对背景进行估计和补偿，将一系列拍摄所得的背景图像拼接为完整的背景，然后再根据每一帧的像素锁定背景区域，实现目标的定位。一般情况下，多摄像头的交接跟踪分为有重叠视觉区域的多摄像机目标跟踪和无重叠视觉区域的多摄像机目标跟踪。有重叠视觉区域的多摄像机目标跟踪可以利用不同摄像机内的重叠区域进行标定，其核心思想是建立不同摄像机之间的三维拓扑关系。该方法通过摄像头获得其周围环境信息，通过映射函数将某一摄像机坐标下的目标信息映射到另一摄像机的坐标中。该算法只利用了摄像机间的位置信息，没有利用目标物体的特征模型，是一种计算复杂度相对较低的方法。无重叠视觉区域的多摄像机目标跟踪中存在视觉盲区，难度比有重叠视觉区域的追踪要大得多。由于摄像机间视野不重叠，多个摄像机的相对位置关系难以确定，无法在视觉交界处进行目标的传递。因此，在这种情况下，多采用基于目标特征匹配的算法。例如，可利用颜色直方图进行目标匹配，或是利用纹理和形状特征来建立模型，最大化概率关联融合(JPDAF)来进行跨越视野的追踪。

传统基于先验信息的目标定位方法依赖于环境信息和手工特征，目标定位的鲁棒性、准确性和环境适应性较低。多摄像头间交接依赖于多摄像头的拓扑信息以及手工特征，不同摄像机所处环境的不同导致了目标特征的选取存在一定困难，容易引起特征提取不准确、不完整。同时，同一目标特征模型的参数在不同摄像机下也不尽相同，进一步加大了多摄像机交接的困难，该类算法的计算复杂度相对较高。因此，提出一种基于深度学习的视频接力跟踪方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决当前变电站监控系统存在的需要人员在线干预、多个摄像头之间相互孤立缺乏联动、智能化水平低等问题，提供了一种基于深度学习的视频接力跟踪方法，用来提高变电站监控智能化水平，以应对无人值守环境下大场景或大范围内实现可疑目标检测和连续跟踪。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：获得目标位置和目标深度特征

每隔n个图像帧，输入视频流经过目标检测网络和特征提取网络分别获得目标位置和目标深度特征；

S2：进行IOU匹配

预测目标下一次可能的位置，并对检测结果和跟踪结果做IOU匹配；

S3：进行特征相似性度量

判断IoU是否大于预设阈值δ，如果大于预设阈值δ，则表示跟踪成功；如果小于预设阈值δ，则表示跟踪失败，进而计算当前跟踪失败目标与相邻所有相机目标做特征相似性度量；