基于可见光相机的多节点目标跟踪方法与流程

1.本发明属于智能计算领域，特别是涉及基于可见光相机的多节点目标跟踪方法。


背景技术：

2.随着我国经济社会不断向前迈进，各行业均得到了快速发展，然而，根据图像的目标追踪方法却有待提升，如航班地面保障进程的时间记录误差、机坪作业的行为监管不足等。
3.目前，在大多数目标追踪中均存在着如下问题：(1)缺乏对活动目标(飞机、车辆、人员、设备等)的有效监管手段；(2)通过人员肉眼观测飞机、车辆、人员、设备等物体的位置、手动记录各保障环节的时间、状态等数据，一方面重复性工作较多，工作强度较大，长时间工作容易造成疲劳，容易导致监管工作效率低下、主观错误频发等问题，并且对监管人员的身体素质提出较高要求；另一方面，需要安排相当多的专业人员，增加人力成本。
4.本发明运用深度学习算法和视频分析技术，识别目标图像中各类保障车辆、人员和各类设备的实时位置与运动状态，智能判断目标对象的保障类型、状态与时间，及时、准确、全自动完成保障服务中的各工作节点数据的获取，避免人工记录可能造成的数据漏报、数据误差、数据延迟，极大降低数据获取的人力成本，为目标追踪的高效管理提供了可靠依据和参考。


技术实现要素：

5.为了解决上述问题，本发明提出了基于可见光相机的多节点目标跟踪方法。
6.本发明的技术目的是通过以下技术方案得以实现的：
7.基于可见光相机的多节点目标跟踪方法，具体步骤为：
8.步骤1、对输入的图像获取目标检测信息；
9.步骤2、对前后帧的图像检测框做最优匹配，建立图像目标的跟踪序列；
10.步骤3、对图像及步骤2中检测框的跟踪序列进行时间融合；
11.步骤4、得到在当前视频帧中目标的实时位置，输出融合检测结果。即在图像目标检测的基础上，对检测结果进行最优匹配，实现目标跟踪。
12.进一步地，所述步骤1具体包括：摄像机获取源视频流通过网络传输给nvr存储设备以及系统服务器，通过人工智能算法对视频流中的每帧图片进行智能检测，获取图片信息中各个对象的分类、坐标、尺寸大小、可信度等目标检测信息。
13.进一步地，所述步骤2具体包括针对前后帧的目标图像检测框进行逻辑判断，即为最优匹配算法，得出各个保障节点的时间数据，完成图像目标的跟踪序列。
14.进一步地，所述步骤3中具体包括根据步骤1中获取的图像的目标检测信息和步骤2中获取的检测框的跟踪序列进行时间融合。
15.进一步地，所述步骤4中实现目标跟踪具体包括得到在当前视频帧中目标的实时位置，对智能识别的结果数据经过清洗、筛选、统计、分析、挖掘、规范化之后，输出检测结果
的最优匹配，实现目标跟踪。
16.进一步地，所述步骤4中目标跟踪算法具体实现为：
[0017][0018][0019]
其中：
[0020]
权重项a，设置为1。
[0021]
l
conf
(x，c)是前景的分类参数和背景的分类参数之和；l
loc
(x，l，g)是所有用于前景分类位置坐标的回归参数。
[0022]
n表示被选择用作前景分类参数anchor的数目，选择部分的原因是背景anchor的数目一般远远大于前景anchor，如果都选为背景，就会弱化前景loss的值，造成定位不准确。
[0023]
长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：
[0024][0025][0026]
其中：
[0027]
上式的min_size和min_size由下式计算得到，s
min
＝0.2，s
max
＝0.95，m代表全部用于回归的层数，比如在ssd 300中m就是6。第k层的min_size＝s
k
，第k层的max_size＝s
k 1
。
[0028]
s
k
＝s
min
(s
max
‑
s
min
)*(k
‑
1)/m
‑1[0029]
与现有技术相比，本发明具有以下有益效果：
[0030]
本发明运用深度学习算法和视频分析技术，识别目标图像中各类保障车辆、人员和各类设备的实时位置与运动状态，智能判断目标对象的保障类型、状态与时间，及时、准确、全自动完成保障服务中的各工作节点数据的获取，避免人工记录可能造成的数据漏报、数据误差、数据延迟，极大降低数据获取的人力成本，为目标追踪的高效管理提供了可靠依据和参考。
附图说明
[0031]
图1为基于可见光相机的多节点目标跟踪方法设计图。
[0032]
图2为基于可见光相机的多节点目标跟踪系统拓扑图。
具体实施方式
[0033]
下面结合本发明的附图和实例对其具体实施方式作进一步详细描述：
[0034]
结合图1，基于可见光相机的多节点目标跟踪方法，包括以下步骤：
[0035]
步骤1、对输入的图像获取目标检测信息；
[0036]
步骤2、对前后帧的图像检测框做最优匹配，建立图像目标的跟踪序列；
[0037]
步骤3、对图像及步骤2中检测框的跟踪序列进行时间融合；
[0038]
步骤4、得到在当前视频帧中目标的实时位置，输出融合检测结果。即在图像目标检测的基础上，对检测结果进行最优匹配，实现目标跟踪。
[0039]
优选地，所述步骤1具体包括：摄像机获取源视频流通过网络传输给nvr存储设备以及系统服务器，通过人工智能算法对视频流中的每帧图片进行智能检测，获取图片信息中各个对象的分类、坐标、尺寸大小、可信度等目标检测信息。
[0040]
优选地，所述步骤2具体包括针对前后帧的目标图像检测框进行逻辑判断，即为最优匹配算法，得出各个保障节点的时间数据，完成图像目标的跟踪序列。
[0041]
优选地，所述步骤3中具体包括根据步骤1中获取的图像的目标检测信息和步骤2中获取的检测框的跟踪序列进行时间融合。
[0042]
优选地，所述步骤4中实现目标跟踪具体包括得到在当前视频帧中目标的实时位置，对智能识别的结果数据经过清洗、筛选、统计、分析、挖掘、规范化之后，输出检测结果的最优匹配，实现目标跟踪。
[0043]
优选地，所述步骤4中目标跟踪算法具体实现为：
[0044][0045][0046]
其中：
[0047]
权重项a，设置为1。
[0048]
l
conf
(x，c)是前景的分类参数和背景的分类参数之和；l
loc
(x，l，g)是所有用于前景分类位置坐标的回归参数。
[0049]
n表示被选择用作前景分类参数anchor的数目，选择部分的原因是背景anchor的数目一般远远大于前景anchor，如果都选为背景，就会弱化前景loss的值，造成定位不准确。
[0050]
长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：
[0051][0052][0053]
其中：
[0054]
上式的min_size和min_size由下式计算得到，s
min
＝0.2，s
max
＝0.95，m代表全部用于回归的层数，比如在ssd 300中m就是6。第k层的min_size＝s
k
，第k层的max_size＝s
k 1
。
[0055]
s
k
＝s
min
(s
max
‑
s
min
)*(k
‑
1)/m
‑1[0056]
优选地，结合图2，一种基于可见光相机的多节点目标跟踪系统具体实现为：
[0057]
通过摄像机连接交换机接入ip网络，通过ip网络将实时监控视频传输至控制主干网。本系统搭建人工智能算法、流媒体、应用、数据库等服务器，通过rtsp协议拉取实时视频流，实时视频流经过本系统处理后通过rtmp等协议再推送到应用平台中。工作人员可使用
台式机、笔记本等终端通过连接内网访问应用平台。
[0058]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。