申请/专利权人：西安电子科技大学

申请日：2023-08-09

公开（公告）日：2023-11-14

公开（公告）号：CN117058193A

主分类号：G06T7/246

分类号：G06T7/246;G06T7/277;G06T1/20;G06V20/40;G06V10/25;G06V10/62;G06V10/764;G06V10/82;G06V10/96

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本发明公开了基于Deepsort的密集对象多目标跟踪方法，将摄像头采集到的视频帧作为模型输入；采用yolov7目标检测模型提取视频帧中目标物体的外观特征，将输入图片划分为多个大小相同的网格，同时预测当前物体的边界框和类别。保留满足指定阈值的预测边界框，并对检测产生的预测边界框进行非最大值抑制计算，去除冗余边界框后，输出目标边界框，标注目标类型和置信度分数；将检测得到的物体坐标信息和物体类别信息输入到Deepsort多目标跟踪模型中，Deepsort通过卡尔曼滤波来预测下一帧跟踪物体的坐标，使用余弦距离对比物体的外观特征，进行目标间的相似度比较，使用匈牙利算法将当前帧的检测结果与上一帧的跟踪结果进行匹配。本发明能够满足高帧率相机下实时跟踪的目标。

主权项：1.基于Deepsort的密集对象多目标跟踪方法，其特征在于，包括以下步骤；S1：利用摄像头采集密集对象的视频帧，密集对象通常指在视狭小的区域内，密集分布的，数量较多的物体或目标；将所述视频帧输入到yolov7目标检测模型中进行特征提取，得到特征图，将得到的该帧特征图划分为多个大小相同的网格，标记物体的中心点落在哪个网格里，就由该网格负责预测具体物体以及该物体的边界框和类别，获取物体坐标信息和物体类别信息；S2：根据不同应用场景和需求，在检测前设置阈值参数，保留满足指定阈值的预测边界框，并对检测产生的预测边界框进行非最大值抑制计算NMS，去除冗余边界框；剔除所有冗余边框，并标记出所有预测边界框后，输出目标边界框，标注目标类型和置信度分数；在物体检测框消失时，根据历史帧中的检测结果对物体检测框消失的当前帧进行插值填充；S3：使用协程异步的方式提取物体的外观特征，使用协程对第t帧特征图物体外观特征的各个物体异步执行特征提取操作；S4：将yolov7目标检测模型检测得到的物体坐标信息和物体类别信息输入到Deepsort多目标跟踪模型中，模型通过卡尔曼滤波来预测下一帧跟踪物体的坐标；S5：将所述第t帧提取到的物体外观特征输入到级联匹配模块中，计算与轨迹中保存的物体外观特征之间的余弦距离，进行目标间的相似度比较，使用匈牙利算法将当前帧的检测结果与S4中预测的物体坐标上一帧的跟踪结果进行匹配，匹配成功时，会在轨迹中保存检测结果的物体外观特征，用于后续匹配；S6：将在级联匹配中失配的轨迹和物体检测框输入到IOU匹配模块中，分析匹配结果，对于IOU中失配的轨迹，判断其连续失配次数是否已经大于轨迹最大生存时间，如果大于则删除该轨迹，没有则连续失配帧数+1，对于IOU中失配的检测框，使用改进的轨迹id分配策略为没有匹配结果的检测框生成一条新轨迹。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于Deepsort的密集对象多目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD