CN112785627A - 一种基于重识别技术的多目标跟踪方法 - Google Patents
一种基于重识别技术的多目标跟踪方法 Download PDFInfo
- Publication number
- CN112785627A CN112785627A CN202110143991.9A CN202110143991A CN112785627A CN 112785627 A CN112785627 A CN 112785627A CN 202110143991 A CN202110143991 A CN 202110143991A CN 112785627 A CN112785627 A CN 112785627A
- Authority
- CN
- China
- Prior art keywords
- network
- target
- loss function
- center point
- branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 241001239379 Calophysus macropterus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机图像处理领域,具体是一种基于重识别技术的多目标跟踪方法,包括如下步骤:步骤一、数据预处理;步骤二、训练分支网络,构建分支网络的损失函数;步骤三、利用分支网络的损失函数构建主干网络的损失函数;步骤四、基于分支网络使用DeepSORT算法进行多目标跟踪;解决多目标跟踪准确性与实时性不足的问题。
Description
技术领域
本发明涉及计算机图像处理领域,具体是指一种基于重识别技术的多目标跟踪方法。
背景技术
多目标检测跟踪是计算机视觉的核心也是一直以来广泛被研究的领域之一,该技术可以应用于人数统计,视频分析,动作识别,异常行为检测,人机交互等方面,目前多目标检测跟踪的很多解决方案主要在于两方面:检测与关联,前者通过检测模型检测并定位到目标,后者通过关联模型抽取目标重识别特征,然后将其关联到某一条已经存在的轨迹上,目前已经提出的检测与重识别模型已经在很大程度上提高了整体的跟踪性能,但是当有很多的目标需要被跟踪的时候,这些方法都无法达到一个令人满意的实时性,而其原因之一在于:检测模型与re-ID模型没有共享特征,因此浪费了很多的计算性能在特征计算上,针对这个问题,Voigleander等人也提出了“一步式”的方法,他们使用ROI-Align在Mask R-CNN的上层增加了重识别分支,减少了重用主干网络对重识别分支的影响,但是使用这种方式跟踪的精确度相对于“两步式”有明显降低,为了解决这种精度损失问题,本发明研究了该问题的原因所在,并提出了相对应的解决方法,从而使得跟踪实时性与精度都得到巨大提升。
发明内容
基于以上问题,本发明提供了一种基于重识别技术的多目标跟踪方法,解决多目标跟踪准确性与实时性不足的问题。
为解决以上技术问题,本发明采用的技术方案如下:
一种基于重识别技术的多目标跟踪方法,包括如下步骤:
步骤一、数据预处理;
步骤二、训练分支网络,构建分支网络的损失函数;
步骤三、利用分支网络的损失函数构建主干网络的损失函数;
步骤四、基于分支网络使用DeepSORT算法进行多目标跟踪。
进一步,所述主干网络包括ResNet34网络和DLA34网络,所述分支网络包括检测分支网络和重识别分支网络,所述检测分支网络包括确定中心点网络、确定中心点偏移网络和确定目标大小网络。
进一步,所述确定中心点网络的损失函数构建如下:
对于数据集中的每一个目标标定框计算目标中心点其中,目标中心点除以步长后得到heatmap网络在(x,y)处的响应为其中,N表示目标总数,σ是标准差,使用逻辑回归与focal loss构建确定中心点网络的损失函数如下:
进一步,所述确定中心点偏移网络和确定目标大小网络的损失函数构建如下:
进一步,通过确定中心点网络获取到目标中心点,对于每一个目标中心点,抽取出其重识别特征向量,通过分类学习将其映射到一个分类向量P={p(k),k∈[1,k]},重识别模型的损失函数如下:
其中,K表示类别总数,Li(k)为类别标签的独热编码表示。
进一步,主干网络的损失函数Ltotal如下:
Ldtection=Lheat+Lbox;
其中,w1、w2表示学习参数。
与现有技术相比,本发明的有益效果是:
1.对比现有技术***(CenterTrack、TubeTK、SST等)在各项指标上都有很大的提升,如多目标跟踪精确度(MOTA)、FPS等指标,可以应用于一些对实时性要求较高的领域。
2、使用基于Anchor-free的检测方法,可以避免网络歧义性,并且采用DLA34深层特征融合网络,并行地生成检测模型与重识别模型。
附图说明
图1为本实施例的流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
基于Anchor-Based检测器产生出来的anchor并不适合去学习合适的重识别信息,原因有二,其一是一个物体可能被多个anchor负责并进行检测,这会导致严重的网络模糊性(ambiguities for the network);第二个原因是实际物体的中心可能与负责对该物体进行检测的anchor中心有偏差。
基于上述anchor-free的方式检测目标,提出了一种基于重识别技术的多目标跟踪方法,包括如下步骤:
步骤一、数据预处理;
其中,选用多目标跟踪数据集进行标签标定预处理,用于重识别模型的训练;使用标定好的数据集用于训练检测模型,另外,标定好的数据集包括但不限于MOT17。
步骤二、训练分支网络,构建分支网络的损失函数;
其中,分支网络包括检测分支网络和重识别分支网络,检测分支网络包括确定中心点网络、确定中心点偏移网络和确定目标大小网络,对于检测分支网络中的每一个分支网络,通过主干网络提取特征图并对特征图进行特征融合后,使用一个3×3(256channels)的卷积,进行ReLU后使用一个1×1卷积生成特征图;
另外,分别构建确定中心点网络、确定中心点偏移网络和确定目标大小网络的损失函数,确定中心点网络的损失函数构建方法如下:
对于数据集中的每一个目标标定框计算目标中心点其中,目标中心点除以步长后得到heatmap网络在(x,y)处的响应为其中,N表示目标总数,σ是标准差,使用逻辑回归与focal loss构建确定中心点网络的损失函数如下:
另外,确定中心点偏移网络和确定目标大小网络的损失函数如下:
另外,重识别分支网络的损失函数如下:
通过确定中心点网络获取到目标中心点,对于每一个目标中心点,抽取出其重识别特征向量,通过分类学习将其映射到一个分类向量P={p(k),k∈[1,k]},重识别模型的损失函数如下:
其中,K表示类别总数,Li(k)为类别标签的独热编码表示。
步骤三、利用分支模型的损失函数构建主干网络的损失函数;
其中,主干网络包括ResNet34网络和DLA34网络,为了能够在精确性和速度上取得一个较好的平衡,利用ResNet34网络提取出图像的特征图并对该特征图进行一些图形变换后,使用DLA34网络进行特征融合,DLA34网络融合其底层与高层特征避免一些底层特征的丢失,在该主干网络对特征图和对特征图进行特征融合的基础上,对分支网络进行学习;
另外,主干网络的损失函数Ltotal如下:
Ldtection=Lheat+Lbox;
其中,w1、w2表示学习参数。
步骤四、基于分支网络使用DeepSORT算法进行多目标跟踪。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (6)
1.一种基于重识别技术的多目标跟踪方法,其特征在于,包括如下步骤:
步骤一、数据预处理;
步骤二、训练分支网络,构建分支网络的损失函数;
步骤三、利用分支网络的损失函数构建主干网络的损失函数;
步骤四、基于分支网络使用DeepSORT算法进行多目标跟踪。
2.根据权利要求1所述的一种基于重识别技术的多目标跟踪方法,其特征在于:所述主干网络包括ResNet34网络和DLA34网络,所述分支网络包括检测分支网络和重识别分支网络,所述检测分支网络包括确定中心点网络、确定中心点偏移网络和确定目标大小网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143991.9A CN112785627A (zh) | 2021-02-02 | 2021-02-02 | 一种基于重识别技术的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143991.9A CN112785627A (zh) | 2021-02-02 | 2021-02-02 | 一种基于重识别技术的多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785627A true CN112785627A (zh) | 2021-05-11 |
Family
ID=75760546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110143991.9A Pending CN112785627A (zh) | 2021-02-02 | 2021-02-02 | 一种基于重识别技术的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971688A (zh) * | 2021-11-04 | 2022-01-25 | 匀熵教育科技(无锡)有限公司 | 一种增强id重识别的无锚多目标跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
US20200125925A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Foreground Attentive Feature Learning for Person Re-Identification |
CN111488795A (zh) * | 2020-03-09 | 2020-08-04 | 天津大学 | 应用于无人驾驶车辆的实时行人跟踪方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及*** |
CN112183450A (zh) * | 2020-10-15 | 2021-01-05 | 成都思晗科技股份有限公司 | 一种多目标跟踪方法 |
-
2021
- 2021-02-02 CN CN202110143991.9A patent/CN112785627A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
US20200125925A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Foreground Attentive Feature Learning for Person Re-Identification |
CN111488795A (zh) * | 2020-03-09 | 2020-08-04 | 天津大学 | 应用于无人驾驶车辆的实时行人跟踪方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及*** |
CN112183450A (zh) * | 2020-10-15 | 2021-01-05 | 成都思晗科技股份有限公司 | 一种多目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
YIFU ZHANG 等: "FairMOT:On the Fairness of Detection and Re-Identification in Multiple Object Tracking", 《ARXIV》 * |
李小丹: "基于运动目标及块分类的人群场景异常检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
龚轩 等: "多目标跟踪中的数据关联技术综述", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971688A (zh) * | 2021-11-04 | 2022-01-25 | 匀熵教育科技(无锡)有限公司 | 一种增强id重识别的无锚多目标跟踪方法 |
CN113971688B (zh) * | 2021-11-04 | 2023-09-26 | 匀熵智能科技(无锡)有限公司 | 一种增强id重识别的无锚多目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555387B (zh) | 骨架序列中基于局部关节点轨迹时空卷的行为识别方法 | |
CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
CN111444968A (zh) | 一种基于注意力融合的图像描述生成方法 | |
CN110458022B (zh) | 一种基于域适应的可自主学习目标检测方法 | |
WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
Cai et al. | A novel saliency detection algorithm based on adversarial learning model | |
Shu et al. | Center-point-guided proposal generation for detection of small and dense buildings in aerial imagery | |
Tan et al. | A multiple object tracking algorithm based on YOLO detection | |
CN113554679A (zh) | 一种面向计算机视觉应用的无锚框目标跟踪算法 | |
Ren et al. | Infrared small target detection via region super resolution generative adversarial network | |
CN112785627A (zh) | 一种基于重识别技术的多目标跟踪方法 | |
Liu et al. | SLPR: A deep learning based Chinese ship license plate recognition framework | |
CN113724293A (zh) | 一种基于视觉的智能网联公交场景下目标跟踪方法及*** | |
CN116453514B (zh) | 一种基于多视角的语音关键词检测与定位方法及装置 | |
CN116385496A (zh) | 一种基于图像处理的游泳运动实时测速方法及*** | |
CN117437260A (zh) | 一种基于联合检测和重识别的无锚实时多目标跟踪方法 | |
CN116245913A (zh) | 基于层次化上下文引导的多目标跟踪方法 | |
CN114067359B (zh) | 融合人体关键点与可见部位注意力特征的行人检测方法 | |
Zhu et al. | Confusion region mining for crowd counting | |
Wan et al. | Orientation Detector for Small Ship Targets in SAR Images Based on Semantic Flow Feature Alignment and Gaussian Label Matching | |
CN113705489B (zh) | 基于先验区域知识指导的遥感影像细粒度飞机识别方法 | |
CN112906677B (zh) | 基于改进型ssd网络的行人目标检测与重识别方法 | |
CN114998567A (zh) | 一种基于多模态特征判别的红外点群目标识别方法 | |
CN110503663B (zh) | 一种基于抽帧检测的随机多目标自动检测跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210511 |