申请/专利权人：安徽清新互联信息科技有限公司

申请日：2021-11-18

公开（公告）日：2024-04-12

公开（公告）号：CN114170269B

主分类号：G06T7/246

分类号：G06T7/246;G06N3/08;G06T3/4038;G06T5/50

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.03.29#实质审查的生效;2022.03.11#公开

摘要：本发明的一种基于时空相关性的多目标跟踪方法、设备及存储介质，包括以下步骤，对于任意给出的一帧行人图像，组成运动图像对送入训练好的深度神经网络跟踪模型，直接输出行人目标在当前帧图像和前一帧图像中的位置，以此循环执行，实现多行人目标的连续跟踪；所述深度神经网络跟踪模型包括特征提取模块backbonemodule、检测跟踪模块detect‑trackmodule，更新模块updatemodule，其中，更新模块updatemodule不参与训练，只在测试时起作用；本发明借助一个具有自适应时空相关性的深度神经网络模型，直接端对端的完成多目标跟踪过程，通用性强，实时性高，误差来源更少，可长时间跟踪，跟踪效果鲁棒性强。

主权项：1.一种基于时空相关性的多目标跟踪方法，其特征在于，包括以下步骤，对于任意给出的一帧行人图像，组成运动图像对送入训练好的深度神经网络跟踪模型，直接输出行人目标在当前帧图像和前一帧图像中的位置，以此循环执行，实现多行人目标的连续跟踪；所述深度神经网络跟踪模型包括特征提取模块backbonemodule、检测跟踪模块detect-trackmodule，更新模块updatemodule，其中，更新模块updatemodule不参与训练，只在测试时起作用；其中，特征提取模块backbonemodule，用于获取输入图像对的满足设定要求的高层特征；所述特征提取网络的输入是运动图像对，该运动图像对是由2幅图像分辨率为320×320的3通道RGB图像组成，其中，一幅图像是当前帧图像，一幅是前一帧图像；concat是拼接层，作用是把输入的2幅3通道RGB图像按照通道维度拼接成一幅相同分辨率的6通道图像；backbone是yolov4-tiny的主干网络，FPN是特征金字塔网络，用来融合不同尺度的特征，具体网络结构和yolov4-tiny相同；out_feature1、out_feature2是特征提取模块的输出特征层，用于后续的行人目标的检测和跟踪，其中，out_feature1的特征图尺寸是20x20x384，out_feature2的特征图尺寸是10x10x256；检测跟踪模块detect-trackmodule是在特征提取模块输出特征图的基础上，预测出当前帧图像中的行人目标位置以及该行人目标在上一帧图像中的位置；具体网络结构包括dtconv1_0,dtconv2_0均是核尺寸为3x3,跨度为1x1的卷积层，dtconv1_1,dtconv2_1均是核尺寸为1x1,跨度为1x1的卷积层；dtyolo层是行人目标信息解析层，用于提取有效的行人目标信息，只在测试时起作用，dtyolo层的特征图分辨率是Nx11，其中，N表示检测到行人目标数目，11表示每个行人目标用11维特征向量表示，其中前5维特征值和yolov4-tiny中输出的目标位置信息定义相同，表示当前帧图像中存在行人目标的概率以及该行人目标的位置；第6维特征值到第10维特征值也和yolov4-tiny中输出的目标位置信息定义相同，表示前一帧图像中存在行人目标的概率以及该行人目标的位置；第11维特征值表示当前帧图像中的行人目标和前一帧图像中相对应的行人目标的关联程度；更新模块updatemodule是根据检测跟踪模块的输出信息，获取前一帧图像中的行人目标和当前帧图像中的行人目标的相关联程度，以此更新跟踪记录。

全文数据：

权利要求：

百度查询： 安徽清新互联信息科技有限公司 一种基于时空相关性的多目标跟踪方法、设备及存储介质

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