CN119444804A 基于动态自适应和强化特征的多目标跟踪分割方法及系统 （华侨大学）

基于动态自适应和强化特征的多目标跟踪基于动态自适应和强化特征的多目标跟踪分割方法通过具有动态自适应的数据关联对目标特制和基于四三角形变的掩码预测分别强化目标2外观代价计算步骤，利用重识别模型处理目标像素级信息预匹配步骤，通过匈牙利算法对外观代价矩阵进行处理，获得匹配候运动代价计算步骤，以目标边界框上四个顶点以及中心点作为五个正式匹配步骤，未匹配候选对以运动代价作为最终代价；匹配后处理步骤，对所有轨迹进行卡尔曼滤波预测，通2.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征将目标像素级信息和目标边界框信息传递给重识别模型，以获得目标掩码M和背景特对掩码M特征图给予win权重，对背景特征图给予wu权重，进行加权融合获取;以视频第t_1帧图像中已匹配的N个目标3;;I和VI3.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征4.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征;;5.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征46.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征;";其中，表示在第i对象在第t帧中的近似掩码区域与第j个对象在第t帧中7.根据权利要求1所述的基于动态自适应和强化特征的多目标跟踪分割方法，其特征第一分类步骤，对所有轨迹进行卡尔曼滤波预测，通过卡步骤以进行下一次预匹配；未能连续三帧匹配到检测目标的轨迹被认定为未确认态的轨外观代价计算模块，利用重识别模型处理目标像素级信息预匹配模块，通过匈牙利算法对外观代价矩阵进行处理，获得匹配候运动代价计算模块，以目标边界框上四个顶点以及中心点作为五个正式匹配模块，未匹配候选对以运动代价作为最终代价；匹配5后处理模块，对所有轨迹进行卡尔曼滤波预测，通67[0014]将目标像素级信息和目标边界框信息传递给重识别模型，以获得目标掩码M和背；分别表示轨迹T[i]与检测S[j]的欧几里得;8;"9确认态的轨迹和属于确认态且轨迹存活时间a大于阈值的轨迹，未被删除的轨迹送入轨迹[0057]（3）本发明利用掩码面积变化的规律计算出动态权重来整合目标外观和运动特和基于四三角形变的掩码预测分别强化目标外观特；I和VI迹在时间步t近似掩码面积，再计算的第t帧中检测S[j]的掩码变化率",，并利用sigmoid首先将历掩码面积表示为，其中表示在第t_1帧中第i个被跟踪对象的掩[0093]这里，aa'表示在第t帧中第i对象的近似掩码区域与第j个对象的检测掩码区",）*"；[0095]整合匹配候选对的最终代价和未匹配的候选对之间的Mask_IoU分数I[i]，i=确认态的轨迹和属于确认态且轨迹存活时间a大于阈值的轨迹，未被删除的轨迹送入轨迹[0101]本实施例采用典型的行人重识别模型ResNet50（也可采用其变种，如ResNet50_取行人的特征，并通过匹配这些特征实现行人重识别任务。采用不同方法对MOTS20以及过卡尔曼滤波器获取五个关键点的速度；将第t_1帧的目标掩码映射到五个关键点形成的