1.一种人体识别跟踪方法,其特征在于,包括如下步骤:
步骤100:采集原始视频流数据,并将原始视频流数据转化为图片建立初始数据集;
步骤200:对初始数据集进行增强处理及筛选,获得训练集、验证集及测试集;
步骤300:搭建由主干网络、上采路径和顶端卷积组成的Centernet网络结构,其中顶端卷积使采用深度可分离卷积;
步骤400:设计BOX匹配机制和损失函数构建完整的Centernet网络结构;
步骤500:使用训练集、验证集及测试集对完整的Centernet网络结构进行训练、验证及测试获得Centernet网络模型;
步骤600:利用Centernet网络模型识别跟踪实时视频流数据中的人体。
2.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤400中的BOX匹配机制为:若包含特征点预测的对象的中心点的Bbox被占用,则选择离该对象的中心点最近的Bbox为Anchor。
3.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤400中的损失函数表示为:Ldel=Lk+Lsize+Loff
其中,Ldel为总损失,Lk为置信度损失,Lsize为目标框大小损失,Loff为中心偏移损失,设定预测的Bbox参数为(bx,by,bw,bh),其中bx和by分别为Box中心点的位置,bw和bh代表Box的宽和高,在置信度损失中加入ξ、δ、ζ三个影响因子,即:Lk=ξ1Lnt+ξ2Lpt
Lnt=‑‑(1‑by^)δ1*log(by^+ζ)
Lpt=‑(1‑by^)δ2*log(by^)
其中Lnt为负样本损失,Lpt为正样本损失,ξ1、ξ2、δ1、δ2、ζ由网格搜索得到最佳值。
4.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤100中的原始视频流数据通过摄像头实时录像辅以互联网爬虫的方式获得。
5.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤200中的增强处理包括几何变换及颜色变换。
6.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤300中的主干网络为ResNet‑18、MobileNet、Xception、ShuffleNet、ResNet101和DenseNet中的一种。
7.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤300中的上采路径包括CBAM模块和特征融合模块,所述CBAM模块用于优化提取的图像特征,所述特征融合模块用于融合浅层特征即深层特征。
8.根据权利要求7所述的人体识别跟踪方法,其特征在于,所述步骤300中的Centernet网络的激活函数为h‑swish和h‑sigmoid。
9.根据权利要求1所述的人体识别跟踪方法,其特征在于,所述步骤500包括:步骤510:给定模型训练方式及参数,将训练集送入到完整的Centernet网络结构训练获得第一特征数据集;
步骤520:在载体设备上进行训练,获得Centernet网络模型。