CN119444802A 一种基于分阶段的自适应多目标跟踪方法 （河南科技大学）

本发明涉及一种基于分阶段的自适应多目2S1、将整个视频序列中的每一帧送入预训练好的]；S2、将目标检测框与轨迹进行分类，并通过卡尔(1)与检测框集合Dall进行第一次关联；表示正常运动目标轨迹的置信度差值，之后利用匈牙利算法对T(1)中的轨迹与Dhigh中的检3其中表示被遮挡目标对于上一帧未成功被关联的目标，若当前帧被成功关联，其外观特迹外观特征向量，trk为更新前轨迹外观特征向量，score为被检测目标置信度分数，4remainremain5情况下只简单地利用外观信息与位置信息进行目标间关联容易造成关联错误，轨迹断裂，间的目标关联都不是最佳选择。对于如何在目标不同运动状态下选取最合适的关联策略，[0006]针对现有技术的缺陷，本发明提供一种基于分阶段的自适应多目标跟踪方法(Adaptivemulti_objecttrackingalgorithmbasedonthestage_divided6all表示高置信度检测框与低置信度检测框的并集；[0016]S7、对检测框集合Dremain(2)中未成功关联的检测框初始化为轨迹，对于轨迹集合k中置信度阈值大小于τ的目标检测框放入Dlow集合中，将集合Dhigh与集合Dlow的7作为IOU距离Ciou、速度方向差值CvelCiou、速度方向差值Cvel两者与余弦特征距离Cappearance进行加权后可得第二次关联成本矩其中，表示被遮挡目标轨迹的置信度差值。为第三次关目标其外观特征更新策略计算公式为：其中n为8数更新与轨迹外观特征更新，对于未成功关联的集合T(3)中的轨迹，若30帧内仍未成功关作为更新权重，将高质量外观特征在特征更新中占更大的比重以提高外观特征的判别性。[0042]图3是在MOT17数据集仿真试验中，本发明方法(SDC_Track)与其他算法的MOTA、[0003]S1、对整个视频序列中的每一帧送入YOLOX目标检测网络与外观特征提取网络进9k中置信度阈值小于τ的目标检测框放入Dlow集合中，将Dhigh与Dlow的并集设置为作为IOU距离Ciou、速度方向差值CvelCiou、速度方向差值Cvel两者与余弦特征距离Cappearance进行加权后可得第二次关联成本矩conf"为该目标在t_1帧时的置信度，conf为该目标在t_2帧时的置信度，为目标在t帧处于遮挡状态时的置信度预测值，为目标在t帧处于遮挡状态时的是当前所匹配到的检测框的外观特征向量，embn_1是正常运动目标上次关联匹配到的检测其中为更新后的轨迹外观特征向量，trk为更新前轨迹外观特征向量，score为被三者合并在一起构成完整的目标跟踪过程，在实际的目标跟踪过程中，通过重复步骤S3_AdrienGaidon.Learningtotrackwithobjectpermanence.InProceedingIEEE/CVFInternationalConferenceonComputerVision,pages10860_10869,2021.[0034]2.TransCenter，参考文献[2].YihongXu,YutongBan,GuillaumeDelorme,ChuangGan,DanielaRus,andXavierAlameda_Pineda.Transcenter:Transformerswithdensequeriesformultiple_objecttracking.andMoonguJeon.Pixel_guidedassociationformulti_objecttracking.Sensors,22(22):8922,2022.Tao,ZhifengWang,andQuanjunLiu.Nct:noise_controlmulti_objecttracking.Complex&IntelligentSystems,9(4):433[0037]5.UTM，参考文献[5].SisiYou,HantaoYao,Bing_KunBao,andChangshengXu.Utm:Aunifiedmultipleobjecttrackingmodelwithidentity_awarefeatureenhancement.InProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition,pages21876_21886,2023.数据集上的算法准确率对比图，图3中纵坐标表示算法的准确率(MOTA)，MOTA综合考虑了被成功跟踪的状态的目标比例。结合图3和图4可以看出，在MOT17数据集上，本发明方法(SDC_Track)的准确率和精度均优于参与性能对比的其观信息提升了关联准确率，也使得本发明的方