基于指数平滑法的目标跟踪方法、装置、介质及设备与流程

1.本发明涉及图像处理技术领域，尤其涉及一种基于指数平滑法的目标跟踪方法、装置、介质及设备。


背景技术：

2.在人群密度较高的室内或室外场所中，对实时的人流量进行统计无论是在安防领域还是商业领域都显得尤为重要。针对这种场所高密度下进行人流量统计的需求，现有技术通过对特定区域增设人流量统计硬件设备来实现。然而，增设硬件统计设备虽然解决了场所统计需求，却也存在不足。一方面，检测设备增设的难度和成本与目标区域的数量和细分程度成正比；另一方面，检测设备的存在会给目标场所人流通行带来不便。
3.近年来，随着计算机视觉技术领域的发展，基于深度卷积神经网络的图像检测技术广泛应用于各种监控场所。然而基于深度卷积神经网络的行人流量统计方法，不仅存储的特征量大，而且增加了特征匹配的不确定性，目标跟踪的效果欠佳。


技术实现要素：

4.本发明实施例提供了一种基于指数平滑法的目标跟踪方法、装置、介质及设备，以解决现有技术在进行人流量检测时存在的存储特征量大、目标跟踪速度和效果欠佳的问题。
5.一种基于指数平滑法的目标跟踪方法，所述方法包括：
6.在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成对应的人体检测框；
7.根据所述当前图像帧及对应的人体检测框，采用改进后的目标跟踪方法deep-sort进行人体多目标跟踪；
8.其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息。
9.可选地，所述根据所述当前图像帧及对应的人体检测框，采用改进后的目标跟踪方法deep-sort进行多目标跟踪包括：
10.采用多目标跟踪方法deep-sort中的宽残差网络对所述当前图像帧进行特征提取，得到每一个人体检测框对应的人体特征信息；
11.根据所述人体特征信息采用指数平滑法更新跟踪器的融合特征信息；
12.计算所述当前图像帧中每一个人体检测框和更新后的跟踪器之间的融合尺度；
13.根据所述融合尺度进行级联匹配，得到跟踪器和当前图像帧的线性匹配结果，根据所述线性匹配结果执行人体跟踪。
14.可选地，在所述跟踪器中，图像帧的上限为100帧；
15.在所述指数平滑法中，跟踪器中的各个图像帧的加权系数随时间呈指数式递减，越靠近当前时刻的图像帧的加权系数越大，其计算公式为：
16.v
t
＝βv
t-1
(1-β)θ
t
17.在上式中，θ
t
表示第t帧的实际观察值，v
t
表示要代替θ
t
的估计值，也就是第t帧的指数加权平均值；β表示v
t-1
的权重，0《β《1。
18.可选地，所述指数平滑法的计算公式中的β为0.9。
19.可选地，所述生成人体特征信息为128维的人体特征信息。
20.可选地，所述计算所述当前图像帧中每一个人体检测框和更新后的跟踪器之间的融合尺度包括：
21.遍历当前图像帧中的每一个人体检测框，获取更新后的跟踪器输出的所述人体检测框对应的预测框；
22.根据所述人体检测框的位置信息和预测框的位置信息计算马氏距离，其中所述马氏距离的计算公式为：d
(1)
(i,j)＝(d
j-yi)
tsi-1
(d
j-yi)，dj表示当前图像帧的第j个人体检测框的位置信息；yi表示第i个跟踪器输出的预测框的位置信息，通过卡尔曼滤波得到的；si表示人体检测框和预测框之间的协方差矩阵；
23.获取当前图像帧中所述人体检测框对应的人体特征信息和更新后的跟踪器的融合特征信息；
24.根据所述人体特征信息和融合特征信息计算余弦距离，其中所述余弦距离的计算公式为：d
(2)
(i,j)＝min{1-r
jtrk
|rk∈ri}，rj表示对所述当前图像帧中的第j个人体检测框提取到的人体特征信息，rk表示利用当前图像帧更新跟踪器后的融合特征信息；
25.对所述马氏距离和余弦距离进行加权平均，得到当前图像帧中所述人体检测框与更新后的跟踪器之间的融合尺度，其中所述融合尺度的计算公式为c
i,j
＝λd
(1)
(i,j) (1-λ)d
(2)
(i,j)，c
i,j
表示第j个人体检测框与更新后的第i个跟踪器之间的融合尺度，λ表示超参数，用于调整不同项的权重。
26.可选地，所述根据所述融合尺度进行级联匹配，得到跟踪器和当前图像帧的线性匹配结果，根据所述线性匹配结果执行人体跟踪包括：
27.遍历每一个跟踪器，获取融合尺度最小值对应的人体检测框和更新后的跟踪器，计算两者之间的配对信息[x
i,j
]；
[0028]
根据所述人体检测框和更新后的跟踪器的余弦距离计算门限函数值b
i,j(2)
＝1,[d
(2)
(i,j)≤t
(2)
]，t
(2)
表示一个数值；
[0029]
若所述配对信息与所述门限函数值之间的乘积大于零时，将所述人体检测框及跟踪器作为一个匹配对保存至匹配集中；
[0030]
若所有的配对信息与所述门限函数值之间的乘积之和大于零时∑b
i,j
·
[x
i,j
]》0，将所述人体检测框及跟踪器放入未定状态集中；
[0031]
若均不满足上述条件时，丢弃所述人体检测框及跟踪器构成的匹配对。
[0032]
一种基于指数平滑法的目标跟踪装置，所述装置包括：
[0033]
人体检测模块，用于在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成人体检测框；
[0034]
目标跟踪模块，用于根据所述当前图像帧及其人体检测框，采用改进后的目标跟踪方法deep-sort进行人体多目标跟踪；
[0035]
其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像
帧更新跟踪器的融合特征信息。
[0036]
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，所述计算机程序被处理器执行时实现如上所述的基于指数平滑法的目标跟踪方法。
[0037]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于指数平滑法的目标跟踪方法。
[0038]
本发明实施例通过在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成人体检测框；根据所述当前图像帧及其人体检测框，采用改进后的目标跟踪方法deep-sort进行多目标跟踪；其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息，以应对特征变化的问题，有效地减少了特征量，提高了目标跟踪速度和效果。
附图说明
[0039]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1是本发明一实施例提供的基于指数平滑法的目标跟踪方法的流程图；
[0041]
图2是本发明一实施例提供的基于指数平滑法的目标跟踪方法中步骤s102的流程图；
[0042]
图3是本发明一实施例提供的基于指数平滑法的目标跟踪方法中步骤s1023的流程图；
[0043]
图4是本发明一实施例提供的基于指数平滑法的目标跟踪方法中步骤s1024的流程图；
[0044]
图5是本发明一实施例提供的基于指数平滑法的目标跟踪装置的结构示意图；
[0045]
图6是本发明一实施例中计算机设备的一示意图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
本发明实施例通过在行人跟踪过程中利用深度学习提供reid外观特征时，使用加权移动平均法更新跟踪器，考虑了同一轨迹的历史特征，使得特征更加鲁棒，减少了单帧跟踪错误带来的影响，能够有效的提升行人追踪的速度与效果，进一步提高了行人流统计的准确度。
[0048]
以下对本实施例提供的基于指数平滑法的目标跟踪方法进行详细的描述。如图1所示，所述基于指数平滑法的目标跟踪方法包括：
[0049]
在步骤s101中，在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图
像帧进行人体检测，生成人体检测框。
[0050]
在这里，本发明实施例实时捕捉监控视频流中的每一个图像帧，先通过yolo系列中的目标检测网络yolov5进行目标检测，得到当前图像帧中的人体检测框。经过目标检测网络yolov5，每一当前图像帧都对应至少一个人体检测框。
[0051]
在步骤s102中，根据所述当前图像帧及其人体检测框，采用改进后的目标跟踪方法deep-sort进行人体多目标跟踪。
[0052]
其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息。
[0053]
本发明实施例采用指数式递减加权系数的移动平均，各个图像帧的加权系数随时间而指数式递减，越近期的图像帧加权值越重，较旧的图像帧也给予一定的加权系数，以应对特征变化的问题。同时，只需要保留0-(n-1)时刻的平均值和n时刻的特征即可，也就是每次只需要保留常数值，然后进行运算即可。通过采用指数平滑法，对于深度学习中的海量数据，可以有效地减少内存和空间，减少特征量，进而提高目标跟踪速度和效果。
[0054]
可选地，作为本发明的一个优选实例，如图2所示，所述步骤s102包括：
[0055]
在步骤s1021中，采用多目标跟踪方法deep-sort中的宽残差网络对所述当前图像帧进行特征提取，得到每一个人体检测框对应的人体特征信息。
[0056]
可选地，本发明实施例采用多目标跟踪方法deep-sort中的宽残差网络(wide residual network,简称wrn)对所述当前图像帧进行人体检测，生成每一人体检测框对应的128维的人体特征信息。通过提前离线训练好所述宽残差网络，在进行多目标跟踪时，采用训练好的所述宽残差网络从所述当前图像帧中按照目标检测网络yolov5输出的人体检测框提取具有区分度的特征，生成每一人体检测框对应的人体特征信息。其中，所述宽残差网络wrn的结构如表1所示。
[0057]
namepatch size/strideoutput sizeconv 13*3/132*128*64conv23*3/132*128*64max pool 33*3/232*64*32residual 43*3/132*64*32residual 53*3/132*64*32residual 63*3/264*32*16residual 73*3/164*32*16residual 83*3/2128*16*8residual 93*3/1128*16*8dense 10 128batch and l2 normalization 128
[0058]
表1
[0059]
在步骤s1022中，根据所述人体特征信息采用指数平滑法更新跟踪器的融合特征信息。
[0060]
在通过上述步骤s1021得到128维的人体特征信息后，通过指数加权平均法，更新跟踪器的融合特征。在这里，所述跟踪器中的图像帧的上限为100帧，即每次对100帧图像帧
进行指数加权平均。在所述指数平滑法中，跟踪器中的各个图像帧的加权系数随时间呈指数式递减，越靠近当前时刻的图像帧的加权系数越大。可见指数平滑法更能反映近期变化的趋势，其计算公式为：v
t
＝βv
t-1
(1-β)θ
t
。在上式中，θ
t
表示第t帧的实际观察值，v
t
表示要代替θ
t
的估计值，也就是第t帧的指数加权平均值；β表示v
t-1
的权重，0《β《1。
[0061]
可选地，作为本发明的一个优选实例，所述β优选为0.9，当所述跟踪器的图像帧上限为100时，v
100
展开得到：
[0062]v100
＝0.1θ
100
0.9(0.1θ
99
0.9v
98
)＝
…
＝0.1θ
100
0.1*0.9θ
99
0.1*0.92θ
98

…
0.1*0.9
99
θ1[0063]
从上式中可以看出，v
t
是对之前提取到特征的加权平均，之所以称之为指数加权，是因为加权系数是随着时间以指数形式递减的，时间越靠近，权重越大，越靠前，权重越小。β作为超参数，不同的取值有不同的效果，需要调节来达到最佳效果。作为本发明的一个优选实例，优选β为0.9。
[0064]
在提取人体特征信息时，本发明实施例采用指数平滑法更新跟踪器的融合特征信息，相比于现有技术利用最小距离作为结果，当轨迹太长时会导致特征发生变化，使用最小距离作为度量存在一定的风险，而指数平滑法可以有效解决此问题，同时简化计算，减少存储空间，能够有效地提升人体目标追踪的效果与速度，进一步提高行人流量统计的准确度。
[0065]
需要理解的是，所要进行加权的是命中帧的re-id特征，命中帧数越多，利用指数平滑法提取到的信息将越准确，且限定历史数据最多为100帧，此情况下的re-id信息已经可以含有较高的信息量，即使在严重遮挡的情况下也可以准确识别跟踪。达到限定的历史数据数量后，将不再对re-id模块进行更新。
[0066]
在步骤s1023中，计算所述当前图像帧中每一个人体检测框和更新后的跟踪器之间的融合尺度。
[0067]
可选地，在本发明实施例中，所述融合尺度(distance matric)为马氏距离和余弦距离的加权平均值。如图3所示，步骤s1023所述的计算所述当前图像帧中每一个人体检测框和更新后的跟踪器之间的融合尺度包括：
[0068]
在步骤s301中，遍历当前图像帧中的每一个人体检测框，获取更新后的跟踪器输出的所述人体检测框对应的预测框。
[0069]
在步骤s302中，根据所述人体检测框的位置信息和预测框的位置信息计算马氏距离。
[0070]
其中所述马氏距离的计算公式为：d
(1)
(i,j)＝(d
j-yi)
tsi-1
(d
j-yi)，dj表示当前图像帧的第j个人体检测框的位置信息，通过目标检测网络yolov5得到；yi表示第i个跟踪器输出的预测框的位置信息，通过卡尔曼滤波得到的；si表示人体检测框和预测框之间的协方差矩阵。
[0071]
在步骤s303中，获取当前图像帧中所述人体检测框对应的人体特征信息和更新后的跟踪器的融合特征信息。
[0072]
在步骤s304中，根据所述人体特征信息和融合特征信息计算余弦距离。
[0073]
其中所述余弦距离的计算公式为：d
(2)
(i,j)＝min{1-r
jtrk
|rk∈ri}，d
(2)
(i,j)表示第j个人体检测框的人体特征信息和第i个更新后的跟踪器输出的融合特征信息之间的余弦距离，rj表示对所述当前图像帧中的第j个人体检测框提取到的人体特征信息，rk表示利
用当前图像帧更新跟踪器后的融合特征信息。
[0074]
在步骤s305中，对所述马氏距离和余弦距离进行加权平均，得到当前图像帧中所述人体检测框与更新后的跟踪器之间的融合尺度。
[0075]
其中所述融合尺度的计算公式为c
i,j
＝λd
(1)
(i,j) (1-λ)d
(2)
(i,j)，c
i,j
表示第j个人体检测框与更新后的第i个跟踪器之间的融合尺度，λ表示超参数，用于调整不同项的权重。
[0076]
在这里，λ作为超参数，用于调整所述融合尺度计算公式中不同项的权重。融合尺度对于短期的预测和匹配效果非常好，而表观信息对于长时间丢失的轨迹而言，匹配度度量的比较有效。超参数具体根据数据集进行选择，比如对于相机运动幅度较大的数据集，则可以使λ为1,不考虑余弦距离。
[0077]
在步骤s1024中，根据所述融合尺度进行级联匹配，得到跟踪器和当前图像帧的线性匹配结果，根据所述线性匹配结果执行人体跟踪。
[0078]
在这里，本发明实施例采用步骤s1023中得到的融合尺度进行级联匹配，得到当前检测帧中的每一人体检测框和跟踪器的线性匹配结果，并除去差距较大的匹配对。可选地，如图4所示，所述步骤s1024还包括：
[0079]
在步骤s401中，遍历每一个跟踪器，获取融合尺度最小值对应的人体检测框和更新后的跟踪器，计算两者之间的配对信息[x
i,j
]。
[0080]
本发明实施例比较上述融合尺度c
i,j
，选取其中的最小值，获取融合尺度最小值所对应的人体检测框与跟踪器，计算所获取的人体检测框与跟踪器之间的配对信息[x
i,j
]。
[0081]
在步骤s402中，根据所述人体检测框和更新后的跟踪器的余弦距离计算门限函数值b
i,j(2)
＝1,[d
(2)
(i,j)≤t
(2)
]，t
(2)
表示一个数值。
[0082]
在计算人体检测框和更新后的跟踪器的余弦距离d
(2)
(i,j)的同时，本发明实施例引入一个门限函数b
i,j(2)
＝1,[d
(2)
(i,j)≤t
(2)
]，其本质是一个示性函数。t
(2)
表示一个泛指具体数值，可自定义，比如设置为0.5，则当余弦距离d
(2)
(i,j)小于或等于0.5时，门限函数b
i,j(2)
的值为1，否则为0。
[0083]
在步骤s403中，若所述配对信息与所述门限函数值之间的乘积大于零时，将所述人体检测框及跟踪器作为一个匹配对保存至匹配集中。
[0084]
在得到门限函数值后，计算配对信息与门限函数值之间的乘积，即b
i,j
·
[x
i,j
]。设置入库条件，判断所述乘积b
i,j
·
[x
i,j
]是否大于零，若是时，表示跟踪器和检测框匹配上，跟踪到了目标，则将所述人体检测框和跟踪器作为一个匹配对保存至匹配集中。所述匹配集用于后续卡尔曼滤波参数的更新中，以对跟踪器进行更新。
[0085]
在步骤s404中，若所有的配对信息与所述门限函数值之间的乘积之和大于零时∑b
i,j
·
[x
i,j
]》0，将所述人体检测框及跟踪器放入未定状态集中。
[0086]
对于一些人体检测框和跟踪器，若不满足入库条件，即配对信息与所述门限函数值之间的乘积大于零，本发明实施例进一步设置待判断条件，统计所有不满足条件的人体检测框和跟踪器，若配对信息与所述门限函数值之间的乘积加起来之后大于零，表示满足待判断条件，则将所述人体检测框及跟踪器放入未定状态集中。所述未定状态集用于后续再进行判断。
[0087]
在步骤s405中，若均不满足上述条件时，丢弃所述人体检测框及跟踪器构成的匹
配对。
[0088]
若所述人体检测框及跟踪器均不满足上述入库条件和待判断条件时，则丢弃所述人体检测框及跟踪器构成的匹配对。
[0089]
本发明实施例通过在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成人体检测框；根据所述当前图像帧及其人体检测框，采用改进后的目标跟踪方法deep-sort进行多目标跟踪；其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息，以应对特征变化的问题，有效地减少了特征量，提高了目标跟踪速度和效果。
[0090]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0091]
在一实施例中，本发明还提供一种基于指数平滑法的目标跟踪装置，该基于指数平滑法的目标跟踪装置与上述实施例中基于指数平滑法的目标跟踪方法一一对应。如图5所示，该基于指数平滑法的目标跟踪装置包括人体检测模块51、目标跟踪模块52。各功能模块详细说明如下：
[0092]
人体检测模块51，用于在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成人体检测框；
[0093]
目标跟踪模块52，用于根据所述当前图像帧及其人体检测框，采用改进后的目标跟踪方法deep-sort进行人体多目标跟踪；
[0094]
其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息。
[0095]
可选地，所述目标跟踪模块52包括：
[0096]
特征提取单元，用于采用多目标跟踪方法deep-sort中的宽残差网络对所述当前图像帧进行特征提取，得到每一个人体检测框对应的人体特征信息；
[0097]
更新单元，用于根据所述人体特征信息采用指数平滑法更新跟踪器的融合特征信息；
[0098]
计算单元，用于计算所述当前图像帧中每一个人体检测框和更新后的跟踪器之间的融合尺度；
[0099]
级联匹配单元，用于根据所述融合尺度进行级联匹配，得到跟踪器和当前图像帧的线性匹配结果，根据所述线性匹配结果执行人体跟踪。
[0100]
可选地，在所述跟踪器中，图像帧的上限为100帧；
[0101]
在所述指数平滑法中，跟踪器中的各个图像帧的加权系数随时间呈指数式递减，越靠近当前时刻的图像帧的加权系数越大，其计算公式为：
[0102]vt
＝βv
t-1
(1-β)θ
t
[0103]
在上式中，θ
t
表示第t帧的实际观察值，v
t
表示要代替θ
t
的估计值，也就是第t帧的指数加权平均值；β表示v
t-1
的权重，0《β《1。
[0104]
可选地，所述指数平滑法的计算公式中的β为0.9。
[0105]
可选地，所述生成人体特征信息为128维的人体特征信息。
[0106]
可选地，所述计算单元包括：
[0107]
位置获取子单元，用于遍历当前图像帧中的每一个人体检测框，获取更新后的跟踪器输出的所述人体检测框对应的预测框；
[0108]
马氏距离计算子单元，用于根据所述人体检测框的位置信息和预测框的位置信息计算马氏距离，其中所述马氏距离的计算公式为：d
(1)
(i,j)＝(d
j-yi)
tsi-1
(d
j-yi)，dj表示当前图像帧的第j个人体检测框的位置信息；yi表示第i个跟踪器输出的预测框的位置信息，通过卡尔曼滤波得到的；si表示人体检测框和预测框之间的协方差矩阵；
[0109]
特征获取子单元，用于获取当前图像帧中所述人体检测框对应的人体特征信息和更新后的跟踪器的融合特征信息；
[0110]
余弦距离计算子单元，用于根据所述人体特征信息和融合特征信息计算余弦距离，其中所述余弦距离的计算公式为：d
(2)
(i,j)＝min{1-r
jtrk
|rk∈ri}，rj表示对所述当前图像帧中的第j个人体检测框提取到的人体特征信息，rk表示利用当前图像帧更新跟踪器后的融合特征信息；
[0111]
融合尺度计算子单元，用于对所述马氏距离和余弦距离进行加权平均，得到当前图像帧中所述人体检测框与更新后的跟踪器之间的融合尺度，其中所述融合尺度的计算公式为c
i,j
＝λd
(1)
(i,j) (1-λ)d
(2)
(i,j)，c
i,j
表示第j个人体检测框与更新后的第i个跟踪器之间的融合尺度，λ表示超参数，用于调整不同项的权重。
[0112]
可选地，所述级联匹配单元包括：
[0113]
配对信息计算子单元，用于遍历每一个跟踪器，获取融合尺度最小值对应的人体检测框和更新后的跟踪器，计算两者之间的配对信息[x
i,j
]；
[0114]
门限函数计算子单元，用于根据所述人体检测框和更新后的跟踪器的余弦距离计算门限函数值b
i,j(2)
＝1,[d
(2)
(i,j)≤t
(2)
]，t
(2)
表示一个数值；
[0115]
第一匹配子单元，用于若所述配对信息与所述门限函数值之间的乘积大于零时，将所述人体检测框及跟踪器作为一个匹配对保存至匹配集中；
[0116]
第二匹配子单元，用于若所有的配对信息与所述门限函数值之间的乘积之和大于零时∑b
i,j
·
[x
i,j
]》0，将所述人体检测框及跟踪器放入未定状态集中；
[0117]
丢弃子单元，用于若均不满足上述条件时，丢弃所述人体检测框及跟踪器构成的匹配对。
[0118]
关于基于指数平滑法的目标跟踪装置的具体限定可以参见上文中对于基于指数平滑法的目标跟踪方法的限定，在此不再赘述。上述基于指数平滑法的目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0119]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于指数平滑法的目标跟踪方法。
[0120]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0121]
在进行目标跟踪时，采用目标检测网络yolov5对获取到的当前图像帧进行人体检测，生成对应的人体检测框；
[0122]
根据所述当前图像帧及对应的人体检测框，采用改进后的目标跟踪方法deep-sort进行人体多目标跟踪；
[0123]
其中，所述改进后的目标跟踪方法deep-sort采用指数平滑法根据每一当前图像帧更新跟踪器的融合特征信息。
[0124]
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，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0125]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0126]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。