一种增强ID重识别的无锚多目标跟踪方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113971688A(43)申请公布日2022.01.25(21)申请号202111299711.XG06K9/62(2022.01)(22)申请日2021.11.04G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人匀熵教育科技（无锡）有限公司地址214072江苏省无锡市经济开发区金融二街8号1603-12室(72)发明人孙俊(74)专利代理机构辽宁鸿文知识产权代理有限公司21102代理人苗青(51)Int.Cl.G06T7/246(2017.01)G06T7/277(2017.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书3页说明书11页附图3页(54)发明名称一种增强ID重识别的无锚多目标跟踪方法(57)摘要本发明提供一种增强ID重识别的无锚多目标跟踪方法，属于目标跟踪领域。本发明通过预测目标中心点热力图来检测目标位置，并设计检测偏差损失加强对预测热力图响应值的约束，以提高检测精度，缓解因定位不准确导致的Re‑ID特征模糊问题。其次，为增强Re‑ID鲁棒性，提出Re‑ID可学习特征动态扩充策略。该策略通过自适应增加目标中心的Re‑ID可学习特征来提高特征质量，并减小Re‑ID对中心点检测精度的依赖。最后在MOT16和MOT17测试集上进行验证，结果表明，算法能有效提升检测和Re‑ID性能，与主流算法相比具有更好的跟踪效果，且兼顾了实时性，达到25.6FPS。CN113971688ACN113971688A权利要求书1/3页1.一种增强ID重识别的无锚多目标跟踪方法，其特征在于，步骤如下：步骤1、使用opencv读取视频为图片；步骤2、对图像进行尺寸调整，统一调整为同样大小；步骤3、对调整大小后的图像使用增强DLA34网络进行特征提取，得到特征图；步骤4、对特征图进行目标检测及目标ID重识别(1)使用heatmap预测头得到目标中心点热力图并估计目标中心点位置；(2)使用box预测头估计目标中心点到检测框四条边的距离；(3)使用offset预测头估计目标中心点的偏移补偿；(4)使用Re‑ID预测头对每个特征点提取128维身份特征向量，再利用heatmap的定位信息获得目标中心点对应的特征向量，用于ID重识别；步骤5、对目标进行跟踪。2.根据权利要求1所述的一种增强ID重识别的无锚多目标跟踪方法，其特征在于，所述的步骤3具体为：(1)使用卷积神经网络对图像进行下采样，得到图像下采样倍数为4、8、16、32的多尺度特征图；(2)使用多层跳跃连接对下采样后的多尺度特征图进行跳跃连接，对图像特征进行融合，得到融合特征；在进行多层跳跃连接的过程中需要：先使用可变形卷积网络处理多尺度特征图，自适应调整多尺度特征图的目标感受野；然后使用反卷积神经网络对调整后的多尺度特征图进行上采样，上采样的结果与下采样结果中相同倍数的特征图进行融合；再使用可变形卷积网络处理融合特征，自适应调整融合特征的目标感受野。3.根据权利要求1所述的一种增强ID重识别的无锚多目标跟踪方法，其特征在于，所述的步骤4中的(1)具体如下：heatmap预测头的输出大小为272×152的热力图，用于估计目标中心点位置；其中每个响应值代表当前位置为目标中心点的概率值，范围为[0,1]；概率值越逼近1，则该位置为目标中心点的概率越大；每个目标的真值GT由heatmap定义为以目标中心点为中心的高斯分布，中心点处响应值为1，其余位置响应值随其距中心点距离呈指数衰减；设图像上第i个目标的中心坐标为(xi,yi)，则目标在heatmap上的坐标为：heatmap任意点(x,y)处的响应值计算为：其中，N为图像中目标个数，σc为标准差；Heatmap预测损失定义为预测响应值与GT响应值误差；使用focalloss来减小样本不均匀的影响，损失计算定义如下：其中为heatmap预测响应值，α和β为focalloss预设参数；2CN113971688A权利要求书2/3页Heatmap检测偏差：将预测位置到对应GT位置的距离定义为距离偏差，采用就近原则为每个预测位置选择对应的GT目标来计算损失；具体为：对预测heatmap上每个高响应位置选择最近的GT位置，即响应值为1的坐标位置，并计算两者之间的L2距离作为距离偏差损失；设置响应阈值λ＝0.5，用于筛选高响应值，保证对检测偏差的有效约束，损失计算定义如下：其中M为预测响应值大于λ的数量，为预测目标位置，为GT位置坐标集合；同时，对偏差损失添加线性增强系数，以保证在达到好的检测效果时逐步增加约束；最终heatmaploss定义如下：其中μ＝0.1用于平衡