[发明专利]一种基于离线聚类的无监督对比学习的多目标跟踪方法

说明书

本发明属于目标跟踪技术领域，涉及一种基于离线聚类的无监督对比学习的多目标跟踪方法，以离线聚类的方式进行将不同帧的同一目标聚类到一起然后计算损失学习出一个能进行关联，并且是在无监督的方式下进行的，不需要标签的信息，对于那些没有标注的数据集进行训练，有效的挖掘没有标注的数据中有用的信息，自主地进行发现和体验，寻找模式和联系并得出结论，不需要人为指导，减少了资源的浪费。

技术领域

本发明属于目标跟踪技术领域，涉及一种基于离线聚类的无监督对比学习的多目标跟踪方法，能够有效的在没有标签监督的条件下对社区视频监控中的多辆车进行跟踪。

背景技术

随着人工智能与计算机视觉技术的发展以及人们对公共安全领域的日益重视，智能视频监控技术已经发展成为当前的研究热点；行人检测、跟踪、再识别与检索、目标跟踪是智能化视频监控系统中的核心关键技术，还可以为后续的更高层次的场景理解、行为分析和异常事件监控提供可靠的数据支持。

近年来，随着大数据、云计算、人工智能等领域日新月异的发展及交互融合，智慧电商、智慧交通、智慧城市等概念越发受到关注。随着人们对更智能、更便捷、更高质量生活的向往，同时伴随着重大的学术价值和广阔的商业前景，众多高校、科研机构、政府部门均对相关产业投入了大量的人力、物力和财力；人工智能，被喻为新时代工业革命的引擎，正在悄然渗入到各行各业并改变着我们的生活方式。计算机视觉是人工智能领域的重要分支，旨在研宄如何让计算机像人类视觉系统一样智能地感知、分析、处理现实世界，以图像和视频为信息载体的各项计算机视觉算法，早己渗透到大众的日常生活中，如人脸识别、人机交互、商品检索、智能监控、视觉导航等，视频目标跟踪技术，作为计算机视觉领域中基础的、重要的研宄方向之一，一直是研宄人员的关注热点。

现有的多目标跟踪方法都是有监督的，这对于数据是有要求的，必须都是有标签的，才能进行训练，而根据实际情况来说，数据是有的，而且很多，可是被整理过的数据就太少了，这意味着这些数据对于大多数目前的监督式学习来说是不可用的，但是深度学习尤其依赖于大量良好的、结构化的、有标签的数据；另外，在训练一个复杂的模型，如深度神经网络时，使用小数据集可能会导致所谓的过度拟合，这是深度学习中一个常见的问题，过度拟合是由于大量可学习参数与训练样本有关联导致的。结果可以是一个能够记住这些训练数据的模型，而不是从数据中学习一般概念的模型。于是我们的发明就提出了一种基于离线聚类的无监督对比学习的多目标跟踪方法，网络能够自动学习数据本来的一些共性和差异性以及一些高级特征，这就不需要我们人为的去对其进行改动，大大减少了资源的消耗。

发明内容

本发明的目的在于解决多目标跟踪中对于数据集标注的依赖，并且目前多目标跟踪主要用的数据集都不大导致设计的算法对于数据集过拟合的问题，设计提出一种基于离线聚类的无监督对比学习的多目标跟踪方法，自动学习数据本来的一些共性和差异性以及一些高级特征，无需人为的去对数据进行改动，减少资源消耗。

为实现上述目的，本发明实现多目标跟踪的具体过程如下：

（1）、离线过程训练一个特征提取网络，先将所有帧输入到检测器，检测出所有帧中的所有车辆后输入到特征提取网络，获得所有车辆的特征向量；

（2）、对检测出的所有车辆使用密度聚类DBSCAN算法进行聚类，将不同帧的同一车辆聚类到同一类中，并计算损失，再更新特征提取网络，经过多轮聚类，学习出一个能提取出特征物体判别性特征的特征提取网络；

（3）、将步骤（2）学习好的特征提取网络用于在线跟踪，先将跟踪视频的视频帧送入主干网络中，获得当前帧的特征图，再将特征图送入到检测器中检测出当前帧中的所有车辆；

（4）、将上一帧的特征图与当前帧的特征图进行点积计算，获得两帧之间的相似度图，根据相似度图，然后求出上一帧的一个点（k,l）在当前帧所在的位置分别在水平和垂直方向的位置的概率；