CN116091552A - 基于DeepSORT的目标跟踪方法、装置、设备及存储介质 - Google Patents

基于DeepSORT的目标跟踪方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116091552A
CN116091552A CN202310351526.3A CN202310351526A CN116091552A CN 116091552 A CN116091552 A CN 116091552A CN 202310351526 A CN202310351526 A CN 202310351526A CN 116091552 A CN116091552 A CN 116091552A
Authority
CN
China
Prior art keywords
target
tracking
detection
tracked
targets
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.)
Granted
Application number
CN202310351526.3A
Other languages
English (en)
Other versions
CN116091552B (zh
Inventor
蒋思凡
渚泽青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jianzhi Qiji Technology Co ltd
Original Assignee
Shanghai Jianzhi Qiji Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jianzhi Qiji Technology Co ltd filed Critical Shanghai Jianzhi Qiji Technology Co ltd
Priority to CN202310351526.3A priority Critical patent/CN116091552B/zh
Publication of CN116091552A publication Critical patent/CN116091552A/zh
Application granted granted Critical
Publication of CN116091552B publication Critical patent/CN116091552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于DeepSORT的目标跟踪方法，包括：获取包括当前帧在内的车辆前方的多个连续的视频帧；获取所述当前帧中的目标检测结果；根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的待跟踪检测目标；获取根据所述当前帧之前的多个连续帧确定的第一目标追踪结果；根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果，以实现对所述待跟踪检测目标的跟踪。本申请通过对目标检测结果的筛选，确定出需要进行跟踪的待跟踪检测目标，剔除不需要进行跟踪的目标，有效降低了跟踪目标的数量，从而降低了计算量、提升了相关处理设备的性能、提高了软件系统的表现。

Description

基于DeepSORT的目标跟踪方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种基于DeepSORT的目标跟踪方法、目标跟踪装置、计算机设备及计算机可读存储介质。
背景技术
DeepSORT是目前行业内应用最为广泛的目标跟踪方案之一，能够实现凭单摄像头对多个目标进行定位跟踪，能够使用的目标场景也非常广泛，包括但不限于交通、视频监控、工业监控等方面。
但DeepSORT提供的算法对于所有已确认的追踪目标都要进行特征计算以及特征相似度计算，若画面中需要跟踪的目标过多，无论目标处于画面中的哪个位置亦无论目标距离视频采集装置的远或近都要进行计算，则会导致计算量明显增加从而影响相关处理设备的性能，降低软件系统的表现。
发明内容
本申请提供了一种基于DeepSORT的目标跟踪方法、目标跟踪装置、计算机设备及计算机可读存储介质。
本申请的基于DeepSORT的目标跟踪方法，包括：
获取包括当前帧在内的车辆前方的多个连续的视频帧；
获取所述当前帧中的目标检测结果；
根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的待跟踪检测目标；
获取根据所述当前帧之前的多个连续帧确定的第一目标追踪结果；
根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果，以实现对所述待跟踪检测目标的跟踪。
如此，本申请通过对目标检测结果的筛选，确定出需要进行跟踪的待跟踪检测目标，剔除不需要进行跟踪的目标，有效降低了跟踪目标的数量，从而降低了计算量、提升了相关处理设备的性能、提高了软件系统的表现。
在某些实施方式中，所述根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的多个待跟踪检测目标，包括：
根据所述当前帧画面内容，确定路边沿信息；
根据所述路边沿信息，将所述当前帧画面中位于路边沿内侧的检测目标确定为所述待跟踪检测目标。
如此，通过路边沿信息的获取与处理，本申请能够有效适应路面行驶环境，滤除对行驶安全没有影响的目标，进一步降低计算量。
在某些实施方式中，所述根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的待跟踪检测目标，还包括：
获取所述待跟踪检测目标中位于所述当前帧画面左下角或右下角且检测框被画面边缘截断的第一检测目标；
获取所述待跟踪检测目标中检测框面积大于预设像素值的第二检测目标；
将所述第一检测目标与所述第二检测目标确定为特征值检测目标，所述特征值检测目标指需要计算特征值以便于准确跟踪的检测目标；
将所述待跟踪检测目标中除所述特征值检测目标以外的检测目标确定为非特征值检测目标。
如此，将待跟踪检测目标中符合要求的目标，也即与车辆实际距离更近的目标筛选出来计算特征值，以便于系统做出更合理的驾驶策略；而距离较远的目标则不再计算特征值，进一步降低计算量。
在某些实施方式中，所述第一目标追踪结果包括第一确认追踪目标以及第一未确认追踪目标，所述第一确认追踪目标为在连续至少三帧画面中被匹配确认为同一目标的追踪目标；所述第一确认追踪目标包括特征值追踪目标与非特征值追踪目标，所述特征值追踪目标指需要计算特征值以便于准确跟踪的追踪目标；
所述根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果，包括：
根据所述特征值检测目标与所述特征值追踪目标，经联级匹配确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标；
根据所述第一未匹配追踪目标、所述第一未匹配检测目标、所述非特征值检测目标、所述非特征值追踪目标以及所述第一未确认追踪目标，经完全交并比匹配确定第二未匹配追踪目标、第二未匹配检测目标以及第二已匹配追踪目标；
将所述第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果。如此，可以将当前帧画面中出现的各个目标与历史各视频帧中出现的各个目标进行匹配，实现在一个连续的时间维度上对目标的跟踪。
在某些实施方式中，所述第二未匹配追踪目标包括第二确认追踪目标以及第二未确认追踪目标；
所述将所述第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果，之后还包括：
根据当前帧之前的多个连续帧以及当前帧，确定所述第二确认追踪目标以及所述第二未确认追踪目标；
删除所有所述第二未确认追踪目标；
根据所述第二确认追踪目标以及预设的最大容忍时间，删除所述第二确认追踪目标中目标消失时间大于所述预设的最大容忍时间的追踪目标；
将剩余的所述第二确认追踪目标并入所述第二目标追踪结果。
如此，对经过匹配后仍然未匹配到追踪目标的目标进行再筛选生成一个原始数据，用于下一帧跟踪分析充当源数据。
在某些实施方式中，所述完全交并比匹配通过如下方程组实现匹配确认追踪目标与当前帧检测目标是否为同一目标：
其中：
CIoU为两个检测框的完全交并比；IoU为两个检测框的交并比； ρ( b, b gt)为两个检测框中心点间的距离， b表示当前帧检测目标， b gt表示追踪目标； c为两个检测框的最小外接矩阵的对角线长度； α和 ν为参数； π为圆周率； w gt为跟踪目标检测框的宽， h gt为跟踪目标检测框的高； w是当前帧检测目标检测框的宽， h是当前帧检测目标检测框的高。
如此，通过设置完全交并比匹配机制，相比于交并比匹配机制而言引入了最大外接框大小、检测框的尺度大小以及检测框中心点距离等参数，提高了车辆匹配的准确性。
在某些实施方式中，所述特征值检测目标以及所述特征值追踪目标的特征值为向量；所述联级匹配用于匹配确认两组目标是否为同一目标，所述联级匹配包括如下步骤：
确定两组目标的特征向量，并根据所述特征向量确定两组目标之间的余弦距离；
获取两组目标的位置向量以及所述位置向量各个值之间的协方差矩阵，并根据所述位置向量以及所述协方差矩阵，确定两组目标之间的马氏距离；
获取所述两组目标之间的最大距离限制以及开关阈值；
根据所述余弦距离、所述马氏距离、所述最大距离限制以及所述开关阈值，确定代价矩阵；
根据所述代价矩阵，经匈牙利算法确定所述第一未匹配追踪目标、所述第一未匹配检测目标以及所述第一已匹配追踪目标。
如此，本申请通过设置联级匹配机制对具有特征值的目标进行匹配，得到已成功匹配的目标以及未成功匹配的目标，便于进行后续的数据处理。
在某些实施方式中，所述余弦距离根据如下方程计算得到：
其中：
d 1为所述余弦距离， a、 b为两组目标的特征向量，| a|为向量 a的模，| b|为向量 b的模。
如此，本申请可以根据特征向量直接计算出余弦距离。
在某些实施方式中，所述马氏距离根据如下方程计算得到：
其中：
d 2、 D M为所述马氏距离， c、 d为两组目标的位置向量，Σ为所述位置向量各个值之间的协方差矩阵。
如此，本申请可以根据位置向量直接计算出马氏距离。
本申请的目标跟踪装置，包括：
信息获取模块，用于获取车辆前方的多个连续的视频帧，并确定其中之一为当前帧，以及用于获取所述当前帧中的目标检测结果，以及用于获取根据所述当前帧之前的多个连续帧确定的第一目标追踪结果；
数据处理模块，用于根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的多个待跟踪检测目标，以及用于根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果。
本申请的计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的方法。
本申请的计算机可读存储介质，存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，实现上述的方法。
本申请的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实施方式的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
图1是本申请提供的基于DeepSORT的目标跟踪方法的流程图；
图2是本申请提供的基于DeepSORT的目标跟踪方法的流程图；
图3是本申请提供的基于DeepSORT的目标跟踪方法的流程图；
图4是本申请提供的目标跟踪装置的模块示意图；
图5是本申请提供的基于DeepSORT的目标跟踪方法的应用场景图；
图6是本申请提供的基于DeepSORT的目标跟踪方法的一种具体实施方式的流程图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。
在本申请实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。
如图1所示，本申请提供一种基于DeepSORT的目标跟踪方法，包括：
01：获取包括当前帧在内的车辆前方的多个连续的视频帧；
02：获取当前帧中的目标检测结果；
03：根据当前帧中的目标检测结果，确定目标检测结果中需要继续跟踪的待跟踪检测目标；
04：获取根据当前帧之前的多个连续帧确定的第一目标追踪结果；
05：根据待跟踪检测目标以及第一目标追踪结果，确定第二目标追踪结果，以实现对待跟踪检测目标的跟踪。
如图4所示，本申请还提供了一种目标跟踪装置10。本申请的基于DeepSORT的目标跟踪方法可以由本申请的目标跟踪装置10实现。具体地，目标跟踪装置10包括信息获取模块11以及数据处理模块12。其中，信息获取模块11用于获取车辆前方的多个连续的视频帧，并确定其中之一为当前帧，以及用于获取当前帧中的目标检测结果，以及用于获取根据当前帧之前的多个连续帧确定的第一目标追踪结果，数据处理模块12用于根据当前帧中的目标检测结果，确定目标检测结果中需要继续跟踪的多个待跟踪检测目标，以及用于根据待跟踪检测目标以及第一目标追踪结果，确定第二目标追踪结果。
本申请还提供了一种计算机设备，计算机设备包括存储器和处理器。本申请的基于DeepSORT的目标跟踪方法可以由本申请的计算机设备实现。具体地，存储器中存储有计算机程序，处理器用于获取包括当前帧在内的车辆前方的多个连续的视频帧，以及获取当前帧中的目标检测结果，以及用于根据当前帧中的目标检测结果，确定目标检测结果中需要继续跟踪的待跟踪检测目标，以及用于获取根据当前帧之前的多个连续帧确定的第一目标追踪结果，以及用于根据待跟踪检测目标以及第一目标追踪结果，确定第二目标追踪结果。
具体地，首先获取一段连续的视频帧，该视频帧中包含有当前帧以及当前帧之前的若干视频帧。当前帧之前的各帧主要用于确定在当前帧以前对各个目标的追踪结果（即第一目标追踪结果），以便于与当前帧配合继续对各个目标实现跟踪，这是一个逐帧递进的过程。在确定了当前帧画面之后，获取当前帧当中检测到的目标，形成目标检测结果，并根据预定的筛选规则，将需要继续跟踪的目标筛选出来，形成待跟踪检测目标，而不符合预定的筛选规则的目标则从目标列表中删除放弃跟踪。然后获取根据当前帧以前的各帧确定的第一目标追踪结果，将待跟踪检测目标与第一目标追踪结果结合，根据预定的匹配规则与流程得出第二目标追踪结果，第二目标追踪结果即为根据当前帧以前的各帧以及当前帧得到的对各个目标的追踪结果。上述过程循环往复，即可以实现截止到每一帧都能够得到一个目标追踪结果，进而实现对待跟踪检测目标的实时跟踪。
综上，本申请通过对目标检测结果的筛选，确定出需要进行跟踪的待跟踪检测目标，剔除不需要进行跟踪的目标，有效降低了跟踪目标的数量，从而降低了计算量、提升了相关处理设备的性能、提高了软件系统的表现。
在某些实施方式中，步骤03包括：
031：根据当前帧画面内容，确定路边沿信息；
032：根据路边沿信息，将当前帧画面中位于路边沿内侧的检测目标确定为待跟踪检测目标。
在某些实施方式中，数据处理模块12还用于根据当前帧画面内容，确定路边沿信息，以及用于根据路边沿信息，将当前帧画面中位于路边沿内侧的检测目标确定为待跟踪检测目标。
在某些实施方式中，处理器还用于根据当前帧画面内容，确定路边沿信息，以及用于根据路边沿信息，将当前帧画面中位于路边沿内侧的检测目标确定为待跟踪检测目标。
具体地，在汽车领域的应用中，基于DeepSORT的跟踪方案主要用于为自动驾驶提供数据源以保证自动驾驶策略的稳定，为了降低计算量，本申请采用了一种通过识别画面中路边沿的方式对非必要跟踪的目标进行滤除。在具体实施中，以靠右行驶的交通规则为例，则在当前帧画面中识别左侧道路边沿，处于左侧道路边沿左侧的车辆被认为是对向车辆，不会对行驶安全造成影响，故可以直接将这部分目标滤除掉不再跟踪。若交通规则规定靠左行驶，则在当前帧画面中识别右侧道路边沿并将右侧道路边缘右侧的车辆滤除即可。在一个具体实施案例中，应用场景如图5所示，图中左侧道路边沿左侧的车辆E会被滤除，车辆A、B、C、D会被继续跟踪。
如此，将待跟踪检测目标中符合要求的目标，也即与车辆实际距离更近的目标筛选出来计算特征值，以便于系统做出更合理的驾驶策略；而距离较远的目标则不再计算特征值，进一步降低计算量。
如图2所示，在某些实施方式中，步骤03还包括：
033：获取待跟踪检测目标中位于当前帧画面左下角或右下角且检测框被画面边缘截断的第一检测目标；
034：获取待跟踪检测目标中检测框面积大于预设像素值的第二检测目标；
035：将第一检测目标与第二检测目标确定为特征值检测目标；
036。将待跟踪检测目标中除特征值检测目标以外的检测目标确定为非特征值检测目标。
在某些实施方式中，数据处理模块12还用于获取待跟踪检测目标中位于当前帧画面左下角或右下角且检测框被画面边缘截断的第一检测目标，以及用于获取待跟踪检测目标中检测框面积大于预设像素值的第二检测目标，以及用于将第一检测目标与第二检测目标确定为特征值检测目标，以及用于将待跟踪检测目标中除特征值检测目标以外的检测目标确定为非特征值检测目标。
在某些实施方式中，处理器还用于获取待跟踪检测目标中位于当前帧画面左下角或右下角且检测框被画面边缘截断的第一检测目标，以及用于获取待跟踪检测目标中检测框面积大于预设像素值的第二检测目标，以及用于将第一检测目标与第二检测目标确定为特征值检测目标，以及用于将待跟踪检测目标中除特征值检测目标以外的检测目标确定为非特征值检测目标。
具体的，DeepSORT提供的跟踪方案中，对每个跟踪目标都要计算特征值以便于进行接下来的运算匹配过程，计算量仍然很大。本申请在DeepSORT的基础上，对待跟踪检测目标进行进一步划分，确定一部分目标需要计算特征值、一部分目标则不需要计算特征值，这样做有效降低了计算量。具体的，以目标车辆与视频采集设备的距离为判断标准，具体方法包括：首先识别当前帧左右两侧的下角落，看是否有被画面边缘截断的目标检测框，若有则证明该检测框对应的车辆与主视角车辆在侧方的间距很小，有安全隐患，需要通过计算特征值来为自动驾驶提供详细的策略数据源支撑。然后，对其他没有被画面边缘截断的检测框，获取这些检测框的面积像素值，如果该像素值不小于某一个预设的像素值，则认为该目标检测框对应的车辆与主视角车辆间距较小，有安全隐患，需要通过计算特征值来为自动驾驶提供的策略数据源支撑。在确定了需要通过计算特征值的目标后，待跟踪检测目标中其他的目标检测框即为不需要计算特征值的目标。上述的划分与筛选可以通过卡尔曼过滤算法或其他通用的过滤算法实现，在此不做限定。在一个具体的实施案例中，应用场景如图5所示，车辆A、B、C、D外围均有一个矩形的检测框，车辆A的检测框被画面左下边缘截断、车辆B与C的检测框面积大于预设的像素值，车辆D的检测框面积远小于预设的像素值，因此车辆A、B、C为特征值检测目标，而车辆D为非特征值检测目标。
如此，将待跟踪检测目标中符合要求的目标，也即与车辆实际距离更近的目标筛选出来计算特征值，以便于系统做出更合理的驾驶策略；而距离较远的目标则不再计算特征值，进一步降低计算量。
在某些实施方式中，第一目标追踪结果包括第一确认追踪目标以及第一未确认追踪目标，第一确认追踪目标为在连续至少三帧画面中被匹配确认为同一目标的追踪目标；第一确认追踪目标包括特征值追踪目标与非特征值追踪目标，特征值追踪目标指需要计算特征值以便于准确跟踪的追踪目标，
在此基础上，步骤05包括：
051：根据特征值检测目标与特征值追踪目标，经联级匹配确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标；
052：根据第一未匹配追踪目标、第一未匹配检测目标、非特征值检测目标、非特征值追踪目标以及第一未确认追踪目标，经完全交并比匹配确定第二未匹配追踪目标、第二未匹配检测目标以及第二已匹配追踪目标；
053：将第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果。
在某些实施方式中，数据处理模块12用于根据特征值检测目标与特征值追踪目标，经联级匹配确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标，以及用于根据第一未匹配追踪目标、第一未匹配检测目标、非特征值检测目标、非特征值追踪目标以及第一未确认追踪目标，经完全交并比匹配确定第二未匹配追踪目标、第二未匹配检测目标以及第二已匹配追踪目标，以及用于将第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果。
在某些实施方式中，处理器用于根据特征值检测目标与特征值追踪目标，经联级匹配确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标，以及用于根据第一未匹配追踪目标、第一未匹配检测目标、非特征值检测目标、非特征值追踪目标以及第一未确认追踪目标，经完全交并比匹配确定第二未匹配追踪目标、第二未匹配检测目标以及第二已匹配追踪目标，以及用于将第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果。
具体的，检测目标（detections）指根据当前帧画面检测得到的目标，而追踪目标（tracks）指根据当前帧之前数个连续帧持续跟踪的目标。那么在本申请中，根据当前帧之前连续至少三帧画面中被确认为同一目标的追踪目标被定义为第一确认追踪目标，其中包括了有特征值的追踪目标和没有特征值的追踪目标，便于后续进行分类匹配计算。第一确认追踪目标的获取，最大的目的在于通过历史记录与当前帧检测目标的数据结合得到截止到当前帧为止的所有的目标追踪情况，最大限度地为自动驾驶提供全景数据源支持。
基于DeepSORT的方案中，准备好所有的初始数据后，在本申请中将数据分为两类进行处理：第一类是具有特征值的特征值检测目标与特征值追踪目标，此类数据需要先经过联级匹配，以确定各具有特征值的各目标之间的匹配结果，一般会得到已与当前帧匹配上的第一已匹配追踪目标，以及未与当前帧匹配上的第一未匹配追踪目标，以及当前帧中刚刚出现的第一未匹配检测目标。第二类则包括：不具有特征值的非特征值检测目标、非特征值追踪目标，以及在第一目标追踪结果中没有被确认的第一未确认追踪目标，以及由联级匹配过程得到的第一未匹配检测目标、第一未匹配追踪目标。上述第二类数据再进行一次完全交并比匹配，进一步在各目标之间匹配相同的目标。经交并比匹配后，同样会得到已匹配上的第二已匹配追踪目标、未与当前帧各目标匹配上的第二未匹配追踪目标、以及在当前帧中新出现的第二未匹配检测目标。接下来，经过两次匹配过程中得到的第一已匹配追踪目标、第二已匹配追踪目标是从当前帧以前到当前帧都一直被成功追踪的目标，第二未匹配检测目标是当前帧新出现的目标，这些目标是跟踪过程的最主要对象，故将这些数据信息确认为第二目标追踪结果，也即截止到当前帧为止持续跟踪到的目标以及出现的新目标。有关于联级匹配可以参考DeepSORT提供的联级匹配算法；有关于完全交并比匹配，是基于DeepSORT提供的交并比匹配的基础上额外加入了部分参数进一步限定以使匹配精准度更高的匹配算法。
如此，本申请可以将当前帧画面中出现的各个目标与历史各视频帧中出现的各个目标进行匹配，实现在一个连续的时间维度上对目标的跟踪。
如图3所示，在某些实施方式中，第二未匹配追踪目标包括第二确认追踪目标以及第二未确认追踪目标；步骤053之后还包括：
054：根据当前帧之前的多个连续帧以及当前帧，确定第二确认追踪目标以及第二未确认追踪目标：
055：删除所有第二未确认追踪目标；
056：根据第二确认追踪目标以及预设的最大容忍时间，删除第二确认追踪目标中目标消失时间大于预设的最大容忍时间的追踪目标；
057：将剩余的第二确认追踪目标并入第二目标追踪结果。
在某些实施方式中，数据处理模块12用于根据当前帧之前的多个连续帧以及当前帧，确定第二确认追踪目标以及第二未确认追踪目标，以及用于删除所有第二未确认追踪目标，以及用于根据第二确认追踪目标以及预设的最大容忍时间，删除第二确认追踪目标中目标消失时间大于预设的最大容忍时间的追踪目标，以及用于将剩余的第二确认追踪目标并入第二目标追踪结果。
在某些实施方式中，处理器用于根据当前帧之前的多个连续帧以及当前帧，确定第二确认追踪目标以及第二未确认追踪目标，以及用于删除所有第二未确认追踪目标，以及用于根据第二确认追踪目标以及预设的最大容忍时间，删除第二确认追踪目标中目标消失时间大于预设的最大容忍时间的追踪目标，以及用于将剩余的第二确认追踪目标并入第二目标追踪结果。
具体地，在第二未匹配追踪目标中，在当前帧之前连续至少三帧画面中被匹配确认为同一目标的追踪目标依然存在，也即第二确认追踪目标依然存在，同时也存在不满足上述条件的追踪目标，也即第二未确认追踪目标依然存在，故为了降低计算量，依然需要对上述目标进行筛选。在具体实施中，第二未确认追踪目标即在当前帧之前没有连续三帧出现被匹配确认的情况，也即该目标已经消失，不具有继续跟踪的价值，故直接删除相关数据不再进行跟踪。而第二确认追踪目标中，由于目标与当前帧的所有目标并未匹配上，所以需要确认在当前帧之前这些目标是何时从画面中消失的，消失的时间距离当前帧有多长，当消失的时间超过了预设的最大容忍时间，那么这样的目标同样会被认为已经消失，不具有继续跟踪的价值，故也会被删除掉不再跟踪。经上述的筛选过程，第二确认追踪目标剩余的部分即为依然具有跟踪价值的目标，将其数据并入第二目标追踪结果，便于下一帧继续进行匹配跟踪。
如此，对经过匹配后仍然未匹配到追踪目标的目标进行再筛选生成一个原始数据，用于下一帧跟踪分析充当源数据。
在某些实施方式中，步骤052中采用的完全交并比匹配，通过如下方程组实现匹配确认追踪目标与当前帧检测目标是否为同一目标：
其中：
CIoU为两个检测框的完全交并比；IoU为两个检测框的交并比； ρ( b, b gt)为两个检测框中心点间的距离， b表示当前帧检测目标， b gt表示追踪目标； c为两个检测框的最小外接矩阵的对角线长度； α和 ν为参数； π为圆周率； w gt为跟踪目标检测框的宽， h gt为跟踪目标检测框的高； w是当前帧检测目标检测框的宽， h是当前帧检测目标检测框的高。
具体地，在原有交并比匹配的基础上，完全交并比匹配又引入了多个新参数，在交并比特征值的基础上进行二次计算，最终得到一个完全交并比，通过两个目标完全交并比数值的比较就可以更精确地判定两个目标是否为同一目标。
如此，通过设置完全交并比匹配机制，相比于交并比匹配机制而言引入了最大外接框大小、检测框的尺度大小以及检测框中心点距离等参数，提高了车辆匹配的准确性。
在某些实施方式中，特征值检测目标以及特征值追踪目标的特征值为向量；步骤051采用的联级匹配用于匹配确认两组目标是否为同一目标，包括如下步骤：
0511：确定两组目标的特征向量，并根据特征向量确定两组目标之间的余弦距离；
0512：获取两组目标的位置向量以及位置向量各个值之间的协方差矩阵，并根据位置向量以及协方差矩阵，确定两组目标之间的马氏距离；
0513：获取两组目标之间的最大距离限制以及开关阈值；
0514：根据余弦距离、马氏距离、最大距离限制以及开关阈值，确定代价矩阵；
0515：根据代价矩阵，经匈牙利算法确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标。
在某些实施方式中，数据处理模块12用于确定两组目标的特征向量，并根据特征向量确定两组目标之间的余弦距离，以及用于获取两组目标的位置向量以及位置向量各个值之间的协方差矩阵，并根据位置向量以及协方差矩阵，确定两组目标之间的马氏距离，以及用于获取两组目标之间的最大距离限制以及开关阈值，以及用于根据余弦距离、马氏距离、最大距离限制以及开关阈值，确定代价矩阵，以及用于根据代价矩阵，经匈牙利算法确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标。
在某些实施方式中，处理器用于确定两组目标的特征向量，并根据特征向量确定两组目标之间的余弦距离，以及用于获取两组目标的位置向量以及位置向量各个值之间的协方差矩阵，并根据位置向量以及协方差矩阵，确定两组目标之间的马氏距离，以及用于获取两组目标之间的最大距离限制以及开关阈值，以及用于根据余弦距离、马氏距离、最大距离限制以及开关阈值，确定代价矩阵，以及用于根据代价矩阵，经匈牙利算法确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标。
具体的，联级匹配需要的参数是代价矩阵，代价矩阵包括如下元素：两匹配目标之间的余弦距离、马氏距离、最大距离限制以及开关阈值，其中余弦距离可以根据两匹配目标的特征向量计算得到，马氏距离可以根据两匹配目标的位置向量计算得到，最大距离限制以及开关阈值则是预设常值。在确定了上述所有参数后，经联机匹配中的匈牙利算法，能够直接得到待匹配的两目标是否是同一目标，并最终进行归类。在进入匈牙利算法之前，余弦距离与马氏距离的计算中还包含有权重系数，余弦距离的权重系数与马氏距离的权重系数之和为1，用于根据实际条件调整系数以保证计算结果的准确度；在画面获取设备存在抖动的情况下，余弦距离的权重系数可以取0，以避免对计算过程产生干扰。
如此，本申请通过设置联级匹配机制对具有特征值的目标进行匹配，得到已成功匹配的目标以及未成功匹配的目标，便于进行后续的数据处理。
在某些实施方式中，余弦距离根据如下方程计算得到：
其中：
d 1为所述余弦距离， a、 b为两组目标的特征向量，| a|为向量 a的模，| b|为向量 b的模。
如此，本申请可以根据特征向量直接计算出余弦距离。
在某些实施方式中，马氏距离根据如下方程计算得到：
其中：
d 2、 D M为马氏距离， c、 d为两组目标的位置向量，Σ为所述位置向量各个值之间的协方差矩阵。
在某些实施方式中，图6展示了一种本申请提供的基于DeepSORT的目标跟踪方法的具体实施流程，从当前帧获取到检测目标开始，到删除不必跟踪的目标、确定第二目标追踪结果为止，先后采用联级匹配以及完全交并比匹配跟踪视频各帧中出现的车辆。如此，通过剔除无需跟踪的目标并判断筛选有计算价值的目标，降低相对不具有计算价值的目标所需要消耗的系统性能资源，则有效降低了软件系统的计算量，从而提高了系统表现。
本申请还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被一个或多个处理器执行时，实现上述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (12)

1.一种基于DeepSORT的目标跟踪方法，其特征在于，所述方法包括：
获取包括当前帧在内的车辆前方的多个连续的视频帧；
获取所述当前帧中的目标检测结果；
根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的待跟踪检测目标；
获取根据所述当前帧之前的多个连续帧确定的第一目标追踪结果；
根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果，以实现对所述待跟踪检测目标的跟踪。
2.根据权利要求1所述的基于DeepSORT的目标跟踪方法，其特征在于，所述根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的多个待跟踪检测目标，包括：
根据所述当前帧画面内容，确定路边沿信息；
根据所述路边沿信息，将所述当前帧画面中位于路边沿内侧的检测目标确定为所述待跟踪检测目标。
3.根据权利要求2所述的基于DeepSORT的目标跟踪方法，其特征在于，所述根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的待跟踪检测目标，还包括：
获取所述待跟踪检测目标中位于所述当前帧画面左下角或右下角且检测框被画面边缘截断的第一检测目标；
获取所述待跟踪检测目标中检测框面积大于预设像素值的第二检测目标；
将所述第一检测目标与所述第二检测目标确定为特征值检测目标，所述特征值检测目标指需要计算特征值以便于准确跟踪的检测目标；
将所述待跟踪检测目标中除所述特征值检测目标以外的检测目标确定为非特征值检测目标。
4.根据权利要求3所述的基于DeepSORT的目标跟踪方法，其特征在于，所述第一目标追踪结果包括第一确认追踪目标以及第一未确认追踪目标，所述第一确认追踪目标为在连续至少三帧画面中被匹配确认为同一目标的追踪目标；所述第一确认追踪目标包括特征值追踪目标与非特征值追踪目标，所述特征值追踪目标指需要计算特征值以便于准确跟踪的追踪目标；
所述根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果，包括：
根据所述特征值检测目标与所述特征值追踪目标，经联级匹配确定第一未匹配追踪目标、第一未匹配检测目标以及第一已匹配追踪目标；
根据所述第一未匹配追踪目标、所述第一未匹配检测目标、所述非特征值检测目标、所述非特征值追踪目标以及所述第一未确认追踪目标，经完全交并比匹配确定第二未匹配追踪目标、第二未匹配检测目标以及第二已匹配追踪目标；
将所述第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果。
5.根据权利要求4所述的基于DeepSORT的目标跟踪方法，其特征在于，所述第二未匹配追踪目标包括第二确认追踪目标以及第二未确认追踪目标；
所述将所述第一已匹配追踪目标、第二已匹配追踪目标以及第二未匹配检测目标确定为第二目标追踪结果，之后还包括：
根据当前帧之前的多个连续帧以及当前帧，确定所述第二确认追踪目标以及所述第二未确认追踪目标；
删除所有所述第二未确认追踪目标；
根据所述第二确认追踪目标以及预设的最大容忍时间，删除所述第二确认追踪目标中目标消失时间大于所述预设的最大容忍时间的追踪目标；
将剩余的所述第二确认追踪目标并入所述第二目标追踪结果。
6.根据权利要求4所述的基于DeepSORT的目标跟踪方法，其特征在于，所述完全交并比匹配通过如下方程组实现匹配确认追踪目标与当前帧检测目标是否为同一目标：
其中：
CIoU为两个检测框的完全交并比；IoU为两个检测框的交并比；ρ(b,b gt)为两个检测框中心点间的距离，b表示当前帧检测目标，b gt表示追踪目标；c为两个检测框的最小外接矩阵的对角线长度；α和ν为参数；π为圆周率；w gt为跟踪目标检测框的宽，h gt为跟踪目标检测框的高；w是当前帧检测目标检测框的宽，h是当前帧检测目标检测框的高。
7.根据权利要求4所述的基于DeepSORT的目标跟踪方法，其特征在于，所述特征值检测目标以及所述特征值追踪目标的特征值为向量；所述联级匹配用于匹配确认两组目标是否为同一目标，所述联级匹配包括如下步骤：
确定两组目标的特征向量，并根据所述特征向量确定两组目标之间的余弦距离；
获取两组目标的位置向量以及所述位置向量各个值之间的协方差矩阵，并根据所述位置向量以及所述协方差矩阵，确定两组目标之间的马氏距离；
获取所述两组目标之间的最大距离限制以及开关阈值；
根据所述余弦距离、所述马氏距离、所述最大距离限制以及所述开关阈值，确定代价矩阵；
根据所述代价矩阵，经匈牙利算法确定所述第一未匹配追踪目标、所述第一未匹配检测目标以及所述第一已匹配追踪目标。
8.根据权利要求7所述的基于DeepSORT的目标跟踪方法，其特征在于，所述余弦距离根据如下方程计算得到：
其中：
d 1为所述余弦距离，a、b为两组目标的特征向量，|a|为向量a的模，|b|为向量b的模。
9.根据权利要求7所述的基于DeepSORT的目标跟踪方法，其特征在于，所述马氏距离根据如下方程计算得到：
其中：
d 2、D M为所述马氏距离，c、d为两组目标的位置向量，Σ为所述位置向量各个值之间的协方差矩阵。
10.一种目标跟踪装置，其特征在于，所述装置包括：
信息获取模块，用于获取车辆前方的多个连续的视频帧，并确定其中之一为当前帧，以及用于获取所述当前帧中的目标检测结果，以及用于获取根据所述当前帧之前的多个连续帧确定的第一目标追踪结果；
数据处理模块，用于根据所述当前帧中的目标检测结果，确定所述目标检测结果中需要继续跟踪的多个待跟踪检测目标，以及用于根据所述待跟踪检测目标以及所述第一目标追踪结果，确定第二目标追踪结果。
11.一种计算机设备，其特征在于，所述计算机设备包括存储器与处理器；所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-9任一所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，实现如权利要求1-9任一所述的方法。
CN202310351526.3A 2023-04-04 2023-04-04 基于DeepSORT的目标跟踪方法、装置、设备及存储介质 Active CN116091552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310351526.3A CN116091552B (zh) 2023-04-04 2023-04-04 基于DeepSORT的目标跟踪方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310351526.3A CN116091552B (zh) 2023-04-04 2023-04-04 基于DeepSORT的目标跟踪方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116091552A true CN116091552A (zh) 2023-05-09
CN116091552B CN116091552B (zh) 2023-07-28

Family

ID=86210451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310351526.3A Active CN116091552B (zh) 2023-04-04 2023-04-04 基于DeepSORT的目标跟踪方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116091552B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825524A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 目标跟踪方法和装置
CN108470332A (zh) * 2018-01-24 2018-08-31 博云视觉（北京）科技有限公司 一种多目标跟踪方法及装置
CN108665476A (zh) * 2017-03-31 2018-10-16 华为数字技术（苏州）有限公司 一种行人跟踪方法以及电子设备
CN111368938A (zh) * 2020-03-19 2020-07-03 南京因果人工智能研究院有限公司 一种基于mdp的多目标车辆跟踪方法
CN111402288A (zh) * 2020-03-26 2020-07-10 杭州博雅鸿图视频技术有限公司 目标检测跟踪方法及装置
CN112883819A (zh) * 2021-01-26 2021-06-01 恒睿(重庆)人工智能技术研究院有限公司 多目标跟踪方法、装置、系统及计算机可读存储介质
CN112991393A (zh) * 2021-04-15 2021-06-18 北京澎思科技有限公司 目标检测与跟踪方法、装置、电子设备及存储介质
CN113139442A (zh) * 2021-04-07 2021-07-20 青岛以萨数据技术有限公司 一种图像跟踪方法、装置、存储介质及电子设备
CN113177968A (zh) * 2021-04-27 2021-07-27 北京百度网讯科技有限公司 目标跟踪方法、装置、电子设备及存储介质
CN113723190A (zh) * 2021-07-29 2021-11-30 北京工业大学 一种面向同步移动目标的多目标跟踪方法
WO2021238062A1 (zh) * 2020-05-29 2021-12-02 北京百度网讯科技有限公司 车辆跟踪方法、装置及电子设备
JP2022059892A (ja) * 2020-10-02 2022-04-14 株式会社Soken 物体追跡装置
CN114445453A (zh) * 2021-12-21 2022-05-06 武汉中海庭数据技术有限公司 一种自动驾驶中实时多目标跟踪方法及系统
CN114463368A (zh) * 2021-12-31 2022-05-10 科大讯飞股份有限公司 目标跟踪方法和装置、电子设备、计算机可读存储介质
WO2022127876A1 (zh) * 2020-12-16 2022-06-23 影石创新科技股份有限公司 目标跟踪的方法、计算机可读存储介质及计算机设备
CN114677554A (zh) * 2022-02-25 2022-06-28 华东理工大学 一种基于YOLOv5与Deepsort的统计滤波红外小目标检测跟踪方法
CN114782487A (zh) * 2022-03-24 2022-07-22 中国科学院自动化研究所 一种海面船只检测跟踪方法及系统
CN114820702A (zh) * 2022-04-14 2022-07-29 大连理工大学 一种基于yolov5的Deepsort无人机视角行人多目标跟踪方法
CN114972418A (zh) * 2022-03-30 2022-08-30 北京航空航天大学 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法
CN115331120A (zh) * 2022-07-12 2022-11-11 中国航空工业集团公司沈阳飞机设计研究所 一种无人机目标人员跟踪方法及系统
CN115641454A (zh) * 2022-10-19 2023-01-24 智道网联科技(北京)有限公司 目标跟踪方法、装置及电子设备、计算机可读存储介质

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825524A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 目标跟踪方法和装置
CN108665476A (zh) * 2017-03-31 2018-10-16 华为数字技术（苏州）有限公司 一种行人跟踪方法以及电子设备
CN108470332A (zh) * 2018-01-24 2018-08-31 博云视觉（北京）科技有限公司 一种多目标跟踪方法及装置
CN111368938A (zh) * 2020-03-19 2020-07-03 南京因果人工智能研究院有限公司 一种基于mdp的多目标车辆跟踪方法
CN111402288A (zh) * 2020-03-26 2020-07-10 杭州博雅鸿图视频技术有限公司 目标检测跟踪方法及装置
WO2021238062A1 (zh) * 2020-05-29 2021-12-02 北京百度网讯科技有限公司 车辆跟踪方法、装置及电子设备
JP2022059892A (ja) * 2020-10-02 2022-04-14 株式会社Soken 物体追跡装置
WO2022127876A1 (zh) * 2020-12-16 2022-06-23 影石创新科技股份有限公司 目标跟踪的方法、计算机可读存储介质及计算机设备
CN112883819A (zh) * 2021-01-26 2021-06-01 恒睿(重庆)人工智能技术研究院有限公司 多目标跟踪方法、装置、系统及计算机可读存储介质
CN113139442A (zh) * 2021-04-07 2021-07-20 青岛以萨数据技术有限公司 一种图像跟踪方法、装置、存储介质及电子设备
CN112991393A (zh) * 2021-04-15 2021-06-18 北京澎思科技有限公司 目标检测与跟踪方法、装置、电子设备及存储介质
CN113177968A (zh) * 2021-04-27 2021-07-27 北京百度网讯科技有限公司 目标跟踪方法、装置、电子设备及存储介质
CN113723190A (zh) * 2021-07-29 2021-11-30 北京工业大学 一种面向同步移动目标的多目标跟踪方法
CN114445453A (zh) * 2021-12-21 2022-05-06 武汉中海庭数据技术有限公司 一种自动驾驶中实时多目标跟踪方法及系统
CN114463368A (zh) * 2021-12-31 2022-05-10 科大讯飞股份有限公司 目标跟踪方法和装置、电子设备、计算机可读存储介质
CN114677554A (zh) * 2022-02-25 2022-06-28 华东理工大学 一种基于YOLOv5与Deepsort的统计滤波红外小目标检测跟踪方法
CN114782487A (zh) * 2022-03-24 2022-07-22 中国科学院自动化研究所 一种海面船只检测跟踪方法及系统
CN114972418A (zh) * 2022-03-30 2022-08-30 北京航空航天大学 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法
CN114820702A (zh) * 2022-04-14 2022-07-29 大连理工大学 一种基于yolov5的Deepsort无人机视角行人多目标跟踪方法
CN115331120A (zh) * 2022-07-12 2022-11-11 中国航空工业集团公司沈阳飞机设计研究所 一种无人机目标人员跟踪方法及系统
CN115641454A (zh) * 2022-10-19 2023-01-24 智道网联科技(北京)有限公司 目标跟踪方法、装置及电子设备、计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOU X: "《Vehicle Tracking Using Deep SORT with Low Confidence Track Filtering》", 《2019 16TH IEEE INTERNATIONAL CONFERENCE ON ADVANCED VIDEO AND SIGNAL BASED SURVEILLANCE (AVSS)》 *
万桥: "《基于DeepSORT框架的行人检测与跟踪算法研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3 *
智架最前沿: "《带你入门自动驾驶多目标跟踪》", 《HTTPS://NEW.QQ.COM/RAIN/A/20211014A01I7C00.HTML》 *
金立生 等: "《基于优化DeepSort 的前方车辆多目标跟踪》", 《浙 江 大 学 学 报(工学版)》, vol. 55, no. 6 *

Also Published As

Publication number Publication date
CN116091552B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109087510B (zh) 交通监测方法及装置
CN112997190B (zh) 车牌识别方法、装置及电子设备
CN111723854B (zh) 一种高速公路交通拥堵检测方法、设备及可读存储介质
CN110135377B (zh) 车路协同中物体运动状态检测方法、装置和服务器
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN112242058B (zh) 基于交通监控视频的目标异常检测方法、装置及存储介质
CN112749622B (zh) 应急车道占用识别方法和装置
US11250269B2 (en) Recognition method and apparatus for false detection of an abandoned object and image processing device
CN112447060A (zh) 识别车道的方法、装置及计算设备
CN116091552B (zh) 基于DeepSORT的目标跟踪方法、装置、设备及存储介质
CN111127520A (zh) 一种基于视频分析的车辆跟踪方法和系统
CN110619255B (zh) 一种目标检测方法及其装置
CN111724607B (zh) 转向灯使用检测方法、装置、计算机设备和存储介质
WO2024011888A1 (zh) 一种车牌识别方法及装置、计算机可读存储介质
CN112633228A (zh) 停车检测方法、装置、设备及存储介质
Ashraf et al. HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation
CN114419531A (zh) 目标检测方法、目标检测系统以及计算机可读存储介质
CN115393792A (zh) 一种目标的异常状态检测方法、装置及电子设备
CN114359859A (zh) 一种含遮挡的目标物处理方法、装置及存储介质
CN112820115B (zh) 一种行驶车辆转向状态识别方法
CN113743316A (zh) 基于目标检测的车辆加塞行为识别方法、系统及装置
CN115115978A (zh) 对象的识别方法、装置、存储介质和处理器
CN115410105A (zh) 集装箱标记识别方法、装置、计算机设备和存储介质
CN114049771A (zh) 基于双模态的交通异常检测方法、系统和存储介质
CN112489020A (zh) 一种图像筛选方法、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
GR01 Patent grant
GR01 Patent grant