1.一种基于DeepSort的行人追踪方法,其特征在于,包括以下步骤:步骤1:获取行人包括当前帧在内的多个连续的视频帧;
步骤2:使用DeepSort模型对当前帧中的移动行人目标进行多目标检测,获取所述当前帧中的目标检测结果;根据当前帧中的目标检测结果,为每一所述移动行人目标分配目标id;
步骤3:根据目标id锁定需要追踪的移动行人目标的目标id;为每一个移动行人目标设置一个轨迹,记录移动行人目标的轨迹;
步骤4: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;根据所述需要追踪的移动行人目标以及所述第一目标追踪结果,确定第二目标追踪结果,以实现对所述需要追踪的移动行人目标的追踪;
所述DeepSort模型为基于卡尔曼滤波算法、EfficientVIT检测器和Cross Attention算法的运动追踪模型;
所述卡尔曼滤波算法,用于对行人轨迹的预测和状态估计,得到所述移动行人目标的预测追踪框;
所述EfficientVIT检测器,用于对实时检测到的移动行人目标的检测框进行特征提取与检测,得到移动行人目标的外观特征;
所述Cross Attention算法,用于代替匈牙利算法的级联匹配,将移动行人目标的预测追踪框与检测框进行目标id匹配。
2.根据权利要求1所述的方法,其特征在于,步骤1之后,包括:输入待检测的行人图像,对行人图像进行双线性插值缩放变换,使行人图像尺寸为640*640*3。
3.根据权利要求2所述的方法,其特征在于,所述使用DeepSort模型对当前帧中的移动行人目标进行多目标检测,步骤如下:步骤2.1:使用EfficientVIT检测器作为DeepSort模型的目标检测器对移动行人目标进行目标检测,得到行人目标的特征向量;
步骤2.2:使用卡尔曼滤波作为DeepSort模型的视频下一帧行人位置预测器;
步骤2.3:使用EfficientVIT检测器作为DeepSort模型的特征提取网络,在提升特征提取精度的同时极大地减少网络参数;
步骤2.4:获取训练后的DeepSort模型;
步骤2.5:使用Cross Attention算法作为特征匹配器,利用Cross Attention算法对前后两帧中的检测框内行人进行匹配;若匹配度超过设定的阈值,则认定为同一目标;若行人匹配度未超过设定的阈值,则对行人分配新的目标id。
4.根据权利要求3所述的方法,其特征在于,所述获取训练后的DeepSort模型,包括:利用行人重识别数据集对改进的DeepSort模型进行训练,直到所述DeepSort模型达到最大训练轮次,以获得训练好的DeepSort模型。
5.根据权利要求4所述的方法,其特征在于,所述目标id被连续检测到4帧则保留行人目标的特征向量。
6.根据权利要求5所述的方法,其特征在于,所述获取所述当前帧中的目标检测结果,之后还包括:EfficientVIT检测器在获取到移动行人目标的检测框之后,去掉置信度小于预设置信度值的检测框。
7.根据权利要求6所述的方法,其特征在于,所述目标id设置有认证次数标识;
将识别到的目标id的认证次数标识加一;目标id的认证次数标识用于标志目标id的显示次数,若目标id的显示次数超过预设次数,即目标id通过多次认证;
使用Cross Attention算法对行人目标的特征向量和目标id进行id匹配,若未匹配到目标id,则目标id连续丢失次数+1并对目标分配新的目标id,若行人目标的特征向量和目标id成功匹配则目标id认证次数标识加一;
更新每一个移动行人目标的轨迹,使用卡尔曼滤波算法预测下一帧移动行人目标位置信息,将下一帧移动行人目标位置信息与特征向量进行拼接,得到目标id的特征,将检测到的n个移动行人目标的目标id保存;
若目标id连续检测到的帧数大于或等于第一预设帧数,则显示所述目标的id号;若目标id在连续的第二预设帧数内没有被检测到,则清空对应id的所有数据。