CN115937260A - 一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 - Google Patents
一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 Download PDFInfo
- Publication number
- CN115937260A CN115937260A CN202310014539.1A CN202310014539A CN115937260A CN 115937260 A CN115937260 A CN 115937260A CN 202310014539 A CN202310014539 A CN 202310014539A CN 115937260 A CN115937260 A CN 115937260A
- Authority
- CN
- China
- Prior art keywords
- tracking
- track
- detection frame
- giou
- target
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质,首先根据检测框的置信度得分分为高分检测框和低分检测框,其次对高分检测框与跟踪轨迹进行匈牙利匹配,再将没有匹配的跟踪轨迹与低分检测框进行贪婪匹配,对于没有匹配上跟踪轨迹的高分检测框,对其新建一个跟踪轨迹,对于没有匹配上检测框的跟踪轨迹,将其保留15‑45帧在轨迹池中,作为优选,取30帧保留,当其再次出现时再进行匹配,如果30帧内都没有再次匹配上检测框,将其在轨迹池中删除;其***、设备及介质能够对跟踪目标进行检测,对计算机程序进行存储,对跟踪方法进行执行;本发明通过对高分检测框和低分检测框进行两次匹配,在降低了目标丢失几率的同时,提高了多目标跟踪识别的精度和多目标跟踪准确度,目标跟踪效果获得了提升。
Description
技术领域
本发明涉及目标跟踪技术领域,具体涉及一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质。
背景技术
多目标跟踪作为计算机视觉的一项中级任务,由于其学术价值和商业潜力而受到越来越多的关注,具有重要的应用意义和研究价值,多目标跟踪的目的是在对感兴趣的目标的外观和数量未知的前提下,通过分析给定视频检测出属于一个或多个类别的物体并对这些物体进行跟踪,得到它们各自的运动轨迹。目前大多数多目标跟踪方法在关联时,对目标进行了检测置信度的阈值筛选,通过关联分数高于一定阈值的检测框来获取目标的身份;而对于检测分数低的物体,例如被大面积遮挡的物体,由于其关联分数低于阈值,在跟踪时会被忽略,会造成跟踪目标丢失的后果,使多目标跟踪效果下降。而BYTE的方法虽然用到了大部分检测框,对多目标跟踪准确度有所提升,但降低了多目标跟踪的高阶跟踪精度。
专利号CN202110130055.4公开了一种多目标跟踪模型的训练方法以及多目标跟踪方法,其方法包括为根据当前视频帧中的待跟踪目标构建目标图;目标图的顶点对应于待跟踪目标,对目标图和已有的轨迹图进行图匹配,以计算待跟踪目标与轨迹图中已跟踪轨迹之间的匹配得分;轨迹图的顶点对应于已有的已跟踪轨迹,按照匹配得分确定待跟踪目标的匹配轨迹;但由于该方法步骤重复且繁琐,运算量大,会造成跟踪精度降低以及对设备负荷过大的问题。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质,利用低分检测框和跟踪轨迹之间的相似性,从低分框中挖掘出真正的物体,同时对偏移量使用GIoU距离进行约束,提高了多目标跟踪准确度,提升了高阶跟踪精度和F值识别精度,实现了更好的跟踪效果。
为了实现上述目的,本发明采用的技术方案是:
一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法,包括以下步骤:
步骤一:对每个检测网络得到的检测框,根据其置信度得分分为高分检测框和低分检测框,总共进行两次匹配,将高分框和低分框分开处理,从低分框中挖掘出真正的物体,过滤掉背景;
步骤二:将第一次匹配使用高分检测框和之前的跟踪轨迹进行匈牙利匹配,其中相似度矩阵Ch,tf如式1)所示:
Ch,tf=dist1+1-GIoU
其中下标tf为用于第一次匹配的轨迹,h为高分检测框,在GIoU和IoU公式中,A为高分检测框,B为轨迹框,C为能够包围住矩形框A和B的最小方框,dist1是经过GIoU约束之后得到的轨迹和检测框之间的二维跟踪偏移量;对于检测框和轨迹框的跟踪偏移量,将其GIoU值小于设定阈值的设为无穷大,如式2)所示:
步骤三:将低分检测框与第一次没有与高分检测框相匹配的跟踪轨迹再次进行贪婪匹配,第二次匹配的相似度矩阵如式3)所示:
Cl,ts=dist2+1-GIoU 3)
其中,下标ts为用于第二次匹配的轨迹,l为低分检测框,与第一次匹配相同,dist2使用的是经过GIoU约束之后得到的轨迹和低分检测框之间的二维跟踪偏移量,与第一次匹配的不同点在于此处的GIoU阈值一般设置的更大,阈值的选取可以根据使用的在线多目标跟踪方法进行筛选;
步骤四:对新轨迹进行初始化:对于没有匹配上跟踪轨迹而得分较高的检测框,对其新建一个跟踪轨迹;将旧轨迹删除或保留:对于没有匹配上检测框的跟踪轨迹,将其保留15-45帧在轨迹池中,作为优选,取30帧保留,当其再次出现时再进行匹配,如果30帧内都没有再次匹配上检测框,将其在轨迹池中删除。
一种中心点偏移量和GIoU距离联合度量的多目标跟踪***,包括:
检测模块,用于将跟踪目标检测出来,并得到跟踪目标的检测框以及检测框的置信度;
关联匹配模块,用于将检测模块得到的检测框根据置信度分为高分和低分检测框,对高分检测框和低分检测框进行两次轨迹匹配,以恢复被遮挡物体的轨迹,减少跟踪目标和轨迹丢失的情况;
视频结果保存模块,用于将输入的视频流每帧的结果在检测完后保存成视频文件,并展示跟踪效果。
一种中心点偏移量和GIoU距离联合度量的多目标跟踪设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现中心点偏移量和GIoU距离联合度量的多目标跟踪方法;
检测器,用于检测跟踪目标,可以选择多种检测器。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够基于中心点偏移量和GIoU距离联合度量对多目标进行跟踪。
相对于现有技术,本发明的有益效果在于:
本发明通过对高分检测框和低分检测框进行两次匹配,在降低了目标丢失几率的同时,提高了多目标跟踪识别的精度,提高了多目标跟踪准确度,目标跟踪效果获得了提升。
附图说明
图1为本发明的流程图。
图2位本发明的效果图。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作详细叙述。
如图1所示,一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法,包括以下步骤:
步骤一:对每个检测网络得到的检测框,根据其置信度得分分为高分检测框和低分检测框,总共进行两次匹配,将高分框和低分框分开处理,从低分框中挖掘出真正的物体,过滤掉背景;
步骤二:将第一次匹配使用高分检测框和之前的跟踪轨迹进行匈牙利匹配,其中相似度矩阵Ch,tf如式1)所示:
Ch,tf=dist1+1-GIoU
其中,下标tf为用于第一次匹配的轨迹,h为高分检测框,在GIoU和IoU公式中,A为高分检测框,B为轨迹框,C为能够包围住矩形框A和B的最小方框,dist1是经过GIoU约束之后得到的轨迹和检测框之间的二维跟踪偏移量;对于检测框和轨迹框的跟踪偏移量,将其GIoU值小于设定阈值的设为无穷大,如
式2)所示:
步骤三:将低分检测框与第一次没有与高分检测框相匹配的跟踪轨迹再次进行贪婪匹配,第二次匹配的相似度矩阵如式3)所示:
Cl,ts=dist2+1-GIoU 3)
其中,下标ts为用于第二次匹配的轨迹,l为低分检测框,与第一次匹配相同,dist2使用的是经过GIoU约束之后得到的轨迹和低分检测框之间的二维跟踪偏移量,与第一次匹配的不同点在于此处的GIoU阈值一般设置的更大,阈值的选取可以根据使用的在线多目标跟踪方法进行筛选;
步骤四:对新轨迹进行初始化:对于没有匹配上跟踪轨迹而得分较高的检测框,对其新建一个跟踪轨迹;将旧轨迹删除或保留:对于没有匹配上检测框的跟踪轨迹,将其保留15-45帧在轨迹池中,作为优选,取30帧保留,当其再次出现时再进行匹配,如果30帧内都没有再次匹配上检测框,将其在轨迹池中删除。
一种中心点偏移量和GIoU距离联合度量的多目标跟踪***,包括:
检测模块,用于将跟踪目标检测出来,并得到跟踪目标的检测框以及检测框的置信度;
关联匹配模块,用于将检测模块得到的检测框根据置信度分为高分和低分检测框,对高分检测框和低分检测框进行两次轨迹匹配,以恢复被遮挡物体的轨迹,减少跟踪目标和轨迹丢失的情况;
视频结果保存模块,用于将输入的视频流每帧的结果在检测完后保存成视频文件,并展示跟踪效果。
一种中心点偏移量和GIoU距离联合度量的多目标跟踪设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现中心点偏移量和GIoU距离联合度量的多目标跟踪方法;
检测器,用于检测跟踪目标,可以选择多种检测器。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够基于中心点偏移量和GIoU距离联合度量对多目标进行跟踪。
如图2所示,为本发明的效果图,图中不同颜色的框表示不同的目标,框中左上角的数字表示该目标的ID。经实验对比,本实施例与现有技术相比,多目标跟踪识别的高阶跟踪精度提高了0.67%,多目标跟踪准确度提高了0.2%,识别F值的精确度提高了1.8%,ID切换频率降低了33.5%。
Claims (4)
1.一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法,其特征在于,包括以下步骤:
步骤一:对每个检测网络得到的检测框,根据其置信度得分分为高分检测框和低分检测框,总共进行两次匹配,将高分框和低分框分开处理,从低分框中挖掘出真正的物体,过滤掉背景;
步骤二:将第一次匹配使用高分检测框和之前的跟踪轨迹进行匈牙利匹配,其中相似度矩阵Ch,tf如式1)所示:
其中,下标tf为用于第一次匹配的轨迹,h为高分检测框,在GIoU和IoU公式中,A为高分检测框,B为轨迹框,C为能够包围住矩形框A和B的最小方框,dist1是经过GIoU约束之后得到的轨迹和检测框之间的二维跟踪偏移量;对于检测框和轨迹框的跟踪偏移量,将其GIoU值小于设定阈值的设为无穷大,如式2)所示:
步骤三:将低分检测框与第一次没有与高分检测框相匹配的跟踪轨迹再次进行贪婪匹配,第二次匹配的相似度矩阵如式3)所示:
Cl,ts=dist2+1-GIoU 3)
其中,下标ts为用于第二次匹配的轨迹,l为低分检测框,与第一次匹配相同,dist2使用的是经过GIoU约束之后得到的轨迹和低分检测框之间的二维跟踪偏移量,与第一次匹配的不同点在于此处的GIoU阈值一般设置的更大,阈值的选取可以根据使用的在线多目标跟踪方法进行筛选;
步骤四:对新轨迹进行初始化:对于没有匹配上跟踪轨迹而得分较高的检测框,对其新建一个跟踪轨迹;将旧轨迹删除或保留:对于没有匹配上检测框的跟踪轨迹,将其保留15-45帧在轨迹池中,作为优选,取30帧保留,当其再次出现时再进行匹配,如果30帧内都没有再次匹配上检测框,将其在轨迹池中删除。
2.一种中心点偏移量和GIoU距离联合度量的多目标跟踪***,其特征在于:包括:
检测模块,用于将跟踪目标检测出来,并得到跟踪目标的检测框以及检测框的置信度;
关联匹配模块,用于将检测模块得到的检测框根据置信度分为高分和低分检测框,对高分检测框和低分检测框进行两次轨迹匹配,以恢复被遮挡物体的轨迹,减少跟踪目标和轨迹丢失的情况;
视频结果保存模块,用于将输入的视频流每帧的结果在检测完后保存成视频文件,并展示跟踪效果。
3.一种中心点偏移量和GIoU距离联合度量的多目标跟踪设备,其特征在于:包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现中心点偏移量和GIoU距离联合度量的多目标跟踪方法;
检测器,用于检测跟踪目标,可以选择多种检测器。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够基于中心点偏移量和GIoU距离联合度量对多目标进行跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014539.1A CN115937260A (zh) | 2023-01-05 | 2023-01-05 | 一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014539.1A CN115937260A (zh) | 2023-01-05 | 2023-01-05 | 一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937260A true CN115937260A (zh) | 2023-04-07 |
Family
ID=86649145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014539.1A Pending CN115937260A (zh) | 2023-01-05 | 2023-01-05 | 一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703983A (zh) * | 2023-06-14 | 2023-09-05 | 石家庄铁道大学 | 联合遮挡目标检测及目标跟踪方法 |
-
2023
- 2023-01-05 CN CN202310014539.1A patent/CN115937260A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703983A (zh) * | 2023-06-14 | 2023-09-05 | 石家庄铁道大学 | 联合遮挡目标检测及目标跟踪方法 |
CN116703983B (zh) * | 2023-06-14 | 2023-12-19 | 石家庄铁道大学 | 联合遮挡目标检测及目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490907B (zh) | 基于多目标特征和改进相关滤波器的运动目标跟踪方法 | |
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
CN111080673B (zh) | 一种抗遮挡目标跟踪方法 | |
CN104574439A (zh) | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 | |
CN101383899A (zh) | 一种空基平台悬停视频稳像方法 | |
CN102915545A (zh) | 一种基于OpenCV的视频目标跟踪算法 | |
CN112488057A (zh) | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 | |
CN105930790A (zh) | 基于核稀疏编码的人体行为识别方法 | |
CN109239702B (zh) | 一种基于目标状态集的机场低空飞鸟数量统计方法 | |
CN113256690B (zh) | 一种基于视频监控的行人多目标跟踪方法 | |
CN114092517A (zh) | 基于传统和深度学习算法的多目标跟踪方法 | |
CN111161325A (zh) | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 | |
CN115937260A (zh) | 一种中心点偏移量和GIoU距离联合度量的多目标跟踪方法、***、设备及介质 | |
CN111402303A (zh) | 一种基于kfstrcf的目标跟踪架构 | |
CN114926859A (zh) | 一种结合头部跟踪的密集场景下行人多目标跟踪方法 | |
CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
CN113256683B (zh) | 目标跟踪方法及相关设备 | |
CN110443142A (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
CN110378929A (zh) | 一种商业场所跨摄像头行人轨迹跟踪方法 | |
CN103996207A (zh) | 一种物体跟踪方法 | |
CN114550219B (zh) | 行人追踪方法及装置 | |
Roopchand et al. | Bat detection and tracking toward batsman stroke recognition | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
CN110889347A (zh) | 基于时空计数特征的密度交通流计数方法及*** | |
CN112561956B (zh) | 视频目标跟踪方法、装置、电子设备及存储介质 |
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 |