CN110516556A 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中基于Darkflow-DeepSort的多目标追踪检测本发明提供一种基于Darkflow-DeepSort的能决策技术领域，其中的方法包括以下步骤：目标跟踪模型通过多目标检测的数据集模型的卡尔曼滤波器对所述监控视频进行逐帧21.一种基于Darkflow-DeepSort的多目标追踪检测方法，应用于电子装置，其特征在S120、将检测图像输入训练好的基于Darkflow的S130、将多个目标的表观特征输入训练好的基于Dee跟踪模型通过多目标检测的数据集MOT16ChaS140、利用目标跟踪模型的卡尔曼滤波器对所述监控视频进行逐帧的数据关联处理，2.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法，其特征在所述基于Darkflow的目标检测模型为Python模型，所述Python模型通过Cython将3.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法，其特征在S220、利用多目标的运动匹配度和表观特征匹配度，4.根据权利要求1所述的基于Darkflow-DeepSort的多目标追踪检测方法，其特征在5.根据权利要求2所述的基于Darkflow-DeepSort的多目标追踪检测方法，其特征在述处理器上运行基于Darkflow-DeepSort的多目标追踪检测方法的计算机程序，所述基于Darkflow-DeepSort的多目标追踪检测方法的计算机程序被所述处理器执行时实现如下步S120、将检测图像输入训练好的基于Darkflow的S130、将多个目标的表观特征输入训练好的基于Dee跟踪模型通过多目标检测的数据集MOT16ChaS140、利用目标跟踪模型的卡尔曼滤波器对所述监控视频进行逐帧的数据关联处理，3S220、利用多目标的运动匹配度和表观特征匹配度，的多目标追踪检测程序被处理器执行时实现如权利要求1～5中任一项所述的基于Darkflow-DeepSort的多目标追踪检测4[0002]视觉目标追踪的方法广泛应用于人机交互、无人驾驶等领域，基于相关滤波(CorrelationFilter)和卷积神经网络(CNN)的跟踪方法已经占据了目标跟踪领域的大半[0003]在现存的多目标追踪方法中SORT方法(SIMPLEONLINEANDREALTIMET简单的在线和实时跟踪)取得的较好的效果。这个方法最大的特点是高效地实现了目标检[0006]为了解决上述问题，本发明的目的是提供一种基于Darkflow-DeepSort的多目标Python模型通过Cython将Darkne5DeepSort的多目标追踪检测方法的计算机程序被所述处理器执行Python模型通过Cython将Darkne质存储有计算机程序，所述计算机程序包括基于Darkflow-DeepSort的多目标追踪检测程序，所述基于Darkflow-DeepSort的多目标追踪检测程序被处理器执行时上述基于Darkflow-DeepSort的多目标追踪检测[0029]1、本发明利用单假设追踪方法的卡尔曼滤波和逐帧的数据关联实现监控视频中又可以避免多假设算法的随着量测数和目标数呈指数级增长带6运动目标行为的跟踪检测；由于YOLOv3算法处理图片的速度很快，在相同条件下，基于YOLOv3算法训练目标检测模型对图像处理速度要比现有卷积神经网络算法训练的模型(如[0037]图1为根据本发明实施例的基于Darkflow-DeepSort的多目标追踪检测方法的流[0039]图3根据本发明实施例的将Darknet网络结构转换成Python的模型结构的转换流[0041]图5根据本发明实施例的基于Darkflow-DeepSort的多目标追踪检测的电子装置[0045]本发明提供一种基于Darkflow-DeepSort的多目标追踪检测方法、电子装置及存7基于Darkflow-DeepSort的多目标追踪检测方法在使用卷积神经网络提取空间特征的基础[0046]图1示出了本发明实施例的基于Darkflow-DeepSort的多目标追踪检测方法的流[0049]需要说明的是，YOLOv3(Youonlylookoncev3)是基于Darknet-53的一种目标r是长宽比，h表示高度。其余四个变量表示对应的在图像坐标系中的速度信息。其中，boundingbox的表观特征是通过一个深度网络得到的128维的特[0056]进一步的，基于DeepSort的目标跟踪模型建立在Kalman滤波器的基础上，用Kalman滤波器去建立跟踪模型，然后通过Darkflow实现目标检测确定表观特征进行匹配，8该数据集适合做行人追踪)上离线训练的深度学习模型。本发明中的基于DeepSort的目标9[0065]而最终匹配度等于IOU匹配值与表观特征匹配值的平均值，也就是说最终匹配度测结果与追踪结果匹配之后的帧数ak·,一旦一个目标的检测结果与追踪结果正确关联之删除该运动目标时指，对于一个新的检测模型检测到的目标其连续三帧内不能完成匹配，[0075]在本发明的一个具体实施例中，对于所述步骤S120中得到的多个目标的表观特[0077]通过级联匹配对频繁出现的目标赋予优先权是针对一个目标被长时间遮挡的状[0082]具体算法参见论文SIMPLEONLINEANDREALTIMETRACKINGWITHADEEPASSOCIATIONMETRIC；NicolaiWojke，AlexBewley,Die[0083]图3示出了本发明实施例的将Darknet网络结构转换成Python的模型结构的转换[0085]也就是说通过Darkflow将Darknet翻译为Tensorflow所使用的流；Darkflow将[0086]通过Cython我们将原基于C的Darknet网络结构转换成Python的模型结构方便供层，其中N为上一次大的卷积结构的filter个数的二倍。然后进行一个卷积核为(1*1)[0092]与上述基于Darkflow-DeepSort的多目标追踪检测方法相对应，本发明还包括基[0094]表观特征确定单元，用于将检测图像输入训练好的基于Darkflow的目标检测模[0097]其中，多目标检测单元和多目标追踪单元的具体实现功能与实施例中基于于Darkflow-DeepSort的多目标追踪检测方法的各个步骤，例如图1所示的步骤S110至[0100]示例性的，计算机程序53可以被分割成一个或多个模块/单元，一个或者多个模其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器序，该计算机程序被处理器执行时实现实施例中基于Darkflow-DeepSort的多目标追踪检[0111]所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或计算机可读介质包含的内容可以根据司法管辖区内