一种低帧率场景下的行人目标跟踪方法及可读存储介质与流程

1.本发明涉及目标跟踪领域，特别涉及一种低帧率场景下的行人目标跟踪方法及可读存储介质。


背景技术：

2.目标跟踪算法作为机器视觉应用中的一个典型问题，目前是计算机视觉的研究热点之一。随着人工智能的发展，智能化的监控设备广泛应用。目前使用在监控设备上的目标跟踪技术，主要通过监控摄像机对目标进行图像抓取，然后在边缘设备或中心服务器中利用计算机视觉技术进行检测和分析帧与帧之间的图像特征和运动模型，从而得到跟踪结果。
3.智能化监控设备通常需要处理多路视频流，在算力受限的情况下（如边缘设备，或者中心服务器计算资源不丰富的场景），要求其所使用的跟踪算法在低帧率的条件下完成跟踪，是一个可选的办法。而采用低帧率的方案在进行目标跟踪时，也存在多个问题需要解决。
4.例如，专利申请号为cn201810452935.1、专利名称为“低帧率视频目标检测和跟踪方法及其在无人机中的应用”的技术方案，先对目标周围进行边缘方框算法(edgeboxes)采样，采样得到的即为潜在目标，超出采样框的将舍弃；然后基于局部数据，提取图像的局部视觉特征，同时对局部数据进行学习，改善对目标变化的稳定性；之后采用支持向量机对潜在目标进行判断，如果高于阈值，认为是新目标位置，如果支持向量机得到的分类结果的数值较低，则用边缘方框算法对整幅图片采样，在整幅图片里面寻找目标。最后根据预测位置，更新支持向量机模型。 该技术方案存在以下缺点：(1)采用了判别式模型来确定目标框的可能位置，需要对周围大量的可能位置提取特征并使用判别模型，导致速度变慢；(2)判别模型使用的特征方式以及核函数的选择可能对不同的视觉目标效果的泛化能力不佳；(3)每次迭代需要更新判别模型的参数，额外的学习流程在算力不强的边缘端难以实时完成。
5.再例如，专利申请号为cn201210089248.0、专利名称为“面向低帧率视频的目标跟踪方法
”ꢀ
的技术方案，包含主要的步骤如下：(1)将目标区域用融合主颜色及其空间分布特征的方法表示；(2)对候选区域与目标区域采用基于交叉颜色比例的匹配准则进行相似度匹配；(3)采用一种基于参数积分图的适应值函数来表征样本粒子与目标模板的匹配程度；(4)利用一种模拟生物群智能的退火粒子群优化框架来减低搜索低帧率视频所引起的突变。该技术方案存在以下缺点：(1)以聚类得到的主颜色模式作为特征，不适合光照条件变化大场景使用；(2)使用粒子群算法避免不了大量的粒子迭代优化过程来寻找全局最优解，导致运行速度较慢。


技术实现要素：

6.本发明的目的在于克服现有技术的缺点与不足，提供一种低帧率场景下的行人目
标跟踪方法。
7.本发明的目的通过以下的技术方案实现：一种低帧率场景下的行人目标跟踪方法，包含以下步骤：s1、初始化卡尔曼滤波器的卡尔曼滤波参数；s2、获取视频图像，把获取的视频图像的图片输入到行人目标检测模型中，根据行人目标检测模型得到的行人目标框的置信度与行人目标框的宽高比的变化率来决定每次迭代中的卡尔曼滤波器的观测噪声的协方差矩阵；s3、根据行人跟踪目标与行人目标框之间的度量计算出代价矩阵，代价矩阵作为匈牙利算法的输入；使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对；s4、对于匹配上的行人跟踪目标与行人目标框，更新行人跟踪目标的后验分布，并输出结果至卡尔曼滤波器；对于未匹配上的行人跟踪目标，若其先验分布的概率密度最大值小于预设阈值，则将该行人跟踪目标删除，结束生命周期；否则，则保留该行人跟踪目标，保留的行人跟踪目标进入下个迭代周期；对于未匹配上的行人目标框，为其初始化一个新的行人跟踪目标，新的行人跟踪目标的初始状态量由行人目标框的坐标决定。
8.步骤s1中，所述卡尔曼滤波参数包括卡尔曼滤波器的观测矩阵、过程噪声的协方差矩阵；通过检测算法得到行人目标框的横坐标、纵坐标、宽度、高度，赋值给卡尔曼滤波器的观测矩阵；将卡尔曼滤波器的过程噪声的协方差矩阵初始化为一个经验常值；其中为第时刻。
9.步骤s2中，所述卡尔曼滤波器的观测噪声的协方差矩阵，通过以下方式进行优化：定义卡尔曼滤波器的观测噪声的不确定性：；其中，、为两项系数的权重，为行人目标检测模型得到的行人目标框的置信度，为行人目标框的宽高比的变化率；，分别为行人目标框的宽度、高度；卡尔曼滤波器的观测噪声的协方差矩阵定义为：；其中为第时刻。
10.所述行人目标检测模型是基于卷积神经网络模型，所述行人目标检测模型为
yolov5s行人目标检测模型，定义行人目标检测模型的输入输出：定义输入图片的个数以及格式，定义输出为目标包络框和类别；利用定义的输出方案对采集数据进行人工标注，得到训练数据，最后对目标检测模型进行训练，更新模型权重。
11.步骤s3中，所述行人跟踪目标与行人目标框之间的度量，定义为：；；其中，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，为高斯分布，为行人跟踪目标的先验分布的协方差矩阵（即预测状态的先验分布的协方差矩阵），为行人目标框的横坐标，为行人目标框的纵坐标，为矩阵的转置运算。
12.所述行人跟踪目标的先验分布通过状态转换矩阵与过程噪声得到：；其中，为状态量的分布的协方差矩阵，为卡尔曼滤波器的过程噪声的协方差矩阵，为第时刻。
13.步骤s3中，所述代价矩阵的定义如下：；其中，为第n个行人跟踪目标的，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，、分别为第m个行人目标框的位置横坐标、纵坐标，为矩阵的转置运算。
14.步骤s3中，所述使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对，具体为：使用匈牙利算法对代价矩阵做行置换运算，以最小化矩阵的迹：；其中，为置换矩阵，为代价矩阵；经过匈牙利算法匹配后，得到全局最优的匹配对，匹配对的定义如下：；其中，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，为行人目标检测模型得到的行人目标框的置信度，为行人跟踪目标的id信息。
15.步骤s4中，对于匹配上的行人跟踪目标与行人目标框，进行如下操作：计算行人观测量的残差：；其中，为卡尔曼滤波器的观测矩阵，为观察模型矩阵，为行人跟踪目标的先验状态量；计算行人观测量的残差的协方差矩阵：
；其中，为矩阵的转置运算，为行人跟踪目标的先验分布的协方差矩阵，为状态量的分布的协方差矩阵；为卡尔曼滤波器的观测噪声的协方差矩阵，用于更新行人跟踪目标的先验分布；计算卡尔曼滤波的最佳增益：；更新行人状态量的后验分布：；其中，为状态量的后验分布的协方差矩阵；更新行人跟踪目标的后验状态量：；其中，、在下个迭代周期中分别作为行人跟踪目标的当前状态量、分布使用。
16.所述行人跟踪目标的先验状态量通过状态转换矩阵得到：；；其中，为状态转移矩阵，为状态量，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，、、、分别为、、、对时间的导数。
17.同时，本发明提供：一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述低帧率场景下的行人目标跟踪方法。
18.一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述低帧率场景下的行人目标跟踪方法。
19.本发明与现有技术相比，具有如下优点和有益效果：1、本发明优化了协方差矩阵，使得行人观测噪声更符合卡尔曼滤波的定义。协方差矩阵参数由行人目标框的置信度和长宽比的变化率决定。当行人目标的被遮挡或者模糊时，行人目标框的置信度下降，方差变大。当行人框的长宽比变化率越大，代表着跟踪的行人目标可能出现遮挡情况，方差变大。对比之前的跟踪算法方案大多使用固定的常数的协方差矩阵，并不能很好的表达出观测量的不确定性这种特点，而本发明针对两种场景，即行人检测模型不确定以及跟踪目标被遮挡，使用两个代理变量来表示来更好描述这种不确定性。
20.2. 本发明优化行人跟踪目标与行人目标框之间度量的定义。相比于用iou和马氏
距离，度量的定义为行人目标框的位置在行人跟踪目标的先验分布中的概率密度，最后通过匈牙利算法做最优匹配。相比于iou距离，避免了iou距离在低帧率条件下会出现iou=0的现象。避免了iou=0无法进行最优匹配的问题，即导致行人跟丢。相比于马氏距离，在跟踪器跟丢情况下，马氏距离越来越小的特性使得跟踪器优先匹配跟丢行人目标，导致跟踪器的不稳定。而直接使用概率密度作为度量则很好解决了以上两个问题。
21.3. 本发明能够实现行人跟踪目标的生命周期自适应。本发明通过指定一个概率阈值，删除低于这个阈值的行人跟踪目标，如果出现跟丢，对于比较稳定或者静止的行人目标，例如坐着或者站着不动的人，跟丢的行人目标的先验协方差会较为缓慢的增加，可以保留较长时间。而对于变化较大的行人跟踪目标，则迅速上升，使得概率密度的最大值快速下降，如果低过阈值，被跟踪器删除。相比于之前的跟踪算法，通常给定一个k帧的固定的生命周期，没有考虑到不同目标应该给予不同的生命长度。例如，一个很稳定或者静止不动目标，当跟丢后，应当保留较长时间。而相反一个快速运动变化的跟踪目标，在跟丢后，短时间便无法估计其位置，所以只能保留较短时间。
附图说明
22.图1为一种低帧率场景下的行人目标跟踪方法的流程图。
具体实施方式
23.下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
24.本实施例在实施过程前先做好以下准备工作：1、利用安装好的摄像头，采集行人的视频序列，并保存图像数据到边缘设备或中心服务器。采集到的数据主要用于行人目标检测算法模型的训练与测试。为了保证模型性能，需要采集不同情况下的数据，涵盖不同时间段，不同光照变化，不同天气情况。
25.2、目标检测算法主要基于卷积神经网络模型，具体模型为yolov5s行人检测模型。基于卷积神经网络模型的算法，在检测效果上更能适应光照变化，遮挡等情况。卷积神经网络模型需要事先定义好输入输出，所谓输入，即定义模型的输入中图片的个数以及格式，输出即为目标包络框和类别。利用定义的输出方案对采集数据进行人工标注，得到训练数据，最后对目标检测模型进行训练，更新模型权重。在本发明中，模型为yolov5目标检测模型，输入为一张大小为640*384的图片，兼顾速度与精度，对检测模型量化为对应硬件平台的int8量化模型。模型输出有1个类别，对应行人类别的检测目标。
26.完成准备工作后，具体实施如下：如图1，一种低帧率场景下的行人目标跟踪方法，包含以下步骤：s1、初始化卡尔曼滤波器的卡尔曼滤波参数；所述卡尔曼滤波参数包括卡尔曼滤波器的观测矩阵、过程噪声的协方差矩阵；通过检测算法得到行人目标框的横坐标、纵坐标、宽度、高度，赋值给卡尔曼滤波器的观测矩阵；将卡尔曼滤波器的过程噪声的协方差矩阵初始化为一个经验常值；
其中为第时刻。
27.s2、获取视频图像，把获取的视频图像的图片输入到行人目标检测模型中，根据行人目标检测模型得到的行人目标框的置信度与行人目标框的宽高比的变化率来决定每次迭代中的卡尔曼滤波器的观测噪声的协方差矩阵；所述卡尔曼滤波器的观测噪声的协方差矩阵，通过以下方式进行优化：定义卡尔曼滤波器的观测噪声的不确定性：；其中，、为两项系数的权重，为行人目标检测模型得到的行人目标框的置信度，为行人目标框的宽高比的变化率；，分别为行人目标框的宽度、高度；卡尔曼滤波器的观测噪声的协方差矩阵定义为：；其中为第时刻。
28.在本实施例中，为了优化卡尔曼滤波器的观测噪声的协方差矩阵，使得观测噪声符合卡尔曼滤波的定义（即观测噪声代表了观测量的不确定性），利用两个代理变量来表示这种不确定性，即：行人目标检测模型得到的行人目标框的置信度和行人目标框的宽高比的变化率。
29.当行人目标的被遮挡或者行人检测模型不稳定时，行人目标框的位置不确定性变大，同时行人目标框的置信度也下降，所以可以利用行人目标框的置信度来表示观测噪声的不确定性。
30.当行人目标的被遮挡时，经常会有一个逐步遮挡的过程，即遮挡面积越来越大，此时可以利用行人目标框的长宽比的变化率代表观测噪声的不确定性。
31.本实施例结合这两个变量，可以用来描述这种观测噪声的不确定性。相比与传统跟踪算法，比如sort算法，卡尔曼滤波的观测噪声通常给予一个常量，无法衡量观测量的不确定性，卡尔曼滤波则发挥不出作用，而本发明中，通过分析造成不确定性的行人跟踪场景，即行人遮挡和行人检测模型不稳定两种场景，针对性地为两种场景用两个代理变量来描述不确定性来更好地解决问题。
32.所述行人目标检测模型是基于卷积神经网络模型，所述行人目标检测模型为yolov5s行人目标检测模型，定义行人目标检测模型的输入输出：定义输入图片的个数以及格式，定义输出为目标包络框和类别；利用定义的输出方案对采集数据进行人工标注，得到训练数据，最后对目标检测模型进行训练，更新模型权重。
33.s3、根据行人跟踪目标与行人目标框之间的度量计算出代价矩阵，代价矩阵作为
匈牙利算法的输入；使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对；传统跟踪算法通常会使用iou距离（sort跟踪算法）和马氏距离（deepsort跟踪算法），其中iou距离的定义为两个目标框的面积的交集和并集的比例，而马氏距离则是以分布的标准差为冈量的距离。不同于用iou距离和马氏距离，本实施例的度量定义为检测框的位置在行人跟踪目标位置的先验分布中的概率密度。相比于iou，概率密度作为度量可以避免低帧率场景下，行人目标框与行人跟踪目标完全不重叠（iou=0）而导致跟丢问题。相比于马氏距离，可以避免马氏距离在目标跟丢后，协方差越来越大，导致跟踪器优先匹配已经跟丢的行人目标，反而影响一直在持续跟踪的行人目标的问题，导致正常的行人跟踪目标不稳定。
34.所述行人跟踪目标与行人目标框之间的度量，定义为：；；其中，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，为高斯分布，为行人跟踪目标的先验分布的协方差矩阵（即预测状态的先验分布的协方差矩阵），为行人目标框的横坐标，为行人目标框的纵坐标，为矩阵的转置运算。
35.所述行人跟踪目标的先验分布通过状态转换矩阵与过程噪声得到：；其中，为状态量的分布的协方差矩阵，为卡尔曼滤波器的过程噪声的协方差矩阵，为第时刻。
36.所述代价矩阵的定义如下：；其中，为第n个行人跟踪目标的，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，、分别为第m个行人目标框的位置横坐标、纵坐标，为矩阵的转置运算。
37.所述使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对，具体为：使用匈牙利算法对代价矩阵做行置换运算，以最小化矩阵的迹：；其中，为置换矩阵，为代价矩阵；经过匈牙利算法匹配后，得到全局最优的匹配对，匹配对的定义如下：；其中，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，为行人目标检测模型得到的行人目标框的置信度，为行人跟踪目标的id信息。
[0038] s4、对于匹配上的行人跟踪目标与行人目标框，更新行人跟踪目标的后验分布，并输出结果至卡尔曼滤波器；对于匹配上的行人跟踪目标与行人目标框，进行如下操作：计算行人观测量的残差：；其中，为卡尔曼滤波器的观测矩阵，为观察模型矩阵，为行人跟踪目标的先验状态量；计算行人观测量的残差的协方差矩阵：；其中，为矩阵的转置运算，为行人跟踪目标的先验分布的协方差矩阵，为状态量的分布的协方差矩阵；为卡尔曼滤波器的观测噪声的协方差矩阵，用于更新行人跟踪目标的先验分布；计算卡尔曼滤波的最佳增益：；更新行人状态量的后验分布：；其中，为状态量的后验分布的协方差矩阵；更新行人跟踪目标的后验状态量：；其中，、在下个迭代周期中分别作为行人跟踪目标的当前状态量、分布使用。
[0039]
所述行人跟踪目标的先验状态量通过状态转换矩阵得到：；；其中，为状态转移矩阵，为状态量，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，、、、分别为、、、对时间的导数。
[0040]
对于未匹配上的行人跟踪目标，若其先验分布的概率密度最大值小于预设阈值，则将该行人跟踪目标删除，结束生命周期；否则，则保留该行人跟踪目标，保留的行人跟踪目标进入下个迭代周期；；
相比于之前的跟踪算法，通常使用一个固定常数来确定跟踪目标的生命周期，即跟丢后的k帧时把跟踪目标删除，这种方式简单但不好。本实施例中的行人跟踪目标并无具体的k帧的生命周期，而是动态判断行人跟踪目标的稳定性，假如行人跟踪目标一直很稳定比如站在或者坐在某一个位置，在跟丢后其先验分布会随时间缓慢增长，所以需要较久时间才会被删除。而相反那些快速运动变化的行人跟踪目标，比如人在跑动或者被遮挡，在跟丢后其先验分布会随时间快速增长，较短时间就会被删除。
[0041]
同时，未匹配上的行人跟踪目标的、在下个迭代周期中分别作为行人跟踪目标的当前状态量、分布使用。
[0042]
对于未匹配上的行人目标框，为其初始化一个新的行人跟踪目标，新的行人跟踪目标的初始状态量由行人目标框的坐标决定。
[0043]
本实施例中的低帧率指5-10fps的图像处理速度。
[0044]
同时，本实施例提供：一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述低帧率场景下的行人目标跟踪方法。
[0045]
一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述低帧率场景下的行人目标跟踪方法。
[0046]
本实施例的低帧率场景下的行人目标跟踪方法，可适用于安防场景和低帧率场景。不同与其他方法需要提取局部视觉特征，本跟踪算法仅利用目标框位置与运动信息，而不使用目标框中视觉特征，减低了跟踪算法的运算量以及参数量。本发明解偶了检测和跟踪算法，使得可以使用适合的检测模型来解决复杂场景问题，如目标密集，部分遮挡，低分辨率和光照变化等。同时本实施例提出的方法针对低帧率场景作优化，解决其他算法在低帧率场景下容易跟丢目标的问题。
[0047]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种低帧率场景下的行人目标跟踪方法，其特征在于，包含以下步骤：s1、初始化卡尔曼滤波器的卡尔曼滤波参数；s2、获取视频图像，把获取的视频图像的图片输入到行人目标检测模型中，根据行人目标检测模型得到的行人目标框的置信度与行人目标框的宽高比的变化率来决定每次迭代中的卡尔曼滤波器的观测噪声的协方差矩阵；s3、根据行人跟踪目标与行人目标框之间的度量计算出代价矩阵，代价矩阵作为匈牙利算法的输入；使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对；s4、对于匹配上的行人跟踪目标与行人目标框，更新行人跟踪目标的后验分布，并输出结果至卡尔曼滤波器；对于未匹配上的行人跟踪目标，若其先验分布的概率密度最大值小于预设阈值，则将该行人跟踪目标删除，结束生命周期；否则，则保留该行人跟踪目标，保留的行人跟踪目标进入下个迭代周期；对于未匹配上的行人目标框，为其初始化一个新的行人跟踪目标，新的行人跟踪目标的初始状态量由行人目标框的坐标决定。2.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s1中，所述卡尔曼滤波参数包括卡尔曼滤波器的观测矩阵 、过程噪声的协方差矩阵；通过检测算法得到行人目标框的横坐标、纵坐标、宽度、高度，赋值给卡尔曼滤波器的观测矩阵；将卡尔曼滤波器的过程噪声的协方差矩阵初始化为一个经验常值；其中为第时刻。3.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s2中，所述卡尔曼滤波器的观测噪声的协方差矩阵，通过以下方式进行优化：定义卡尔曼滤波器的观测噪声的不确定性：；其中，、为两项系数的权重，为行人目标检测模型得到的行人目标框的置信度，为行人目标框的宽高比的变化率；，分别为行人目标框的宽度、高度；卡尔曼滤波器的观测噪声的协方差矩阵定义为：；其中为第时刻。4.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，所述行人目标检测模型是基于卷积神经网络模型，所述行人目标检测模型为yolov5s行人目标检测模型，定义行人目标检测模型的输入输出：定义输入图片的个数以及格式，定义输出为目标包络框和类别；利用定义的输出方案对采集数据进行人工标注，得到训练数据，最后对目标检测
模型进行训练，更新模型权重。5.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s3中，所述行人跟踪目标与行人目标框之间的度量，定义为：；；其中，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，为高斯分布，为行人跟踪目标的先验分布的协方差矩阵，为行人目标框的横坐标，为行人目标框的纵坐标，为矩阵的转置运算。6.根据权利要求5所述低帧率场景下的行人目标跟踪方法，其特征在于，所述行人跟踪目标的先验分布通过状态转换矩阵与过程噪声得到：；其中，为状态量的分布的协方差矩阵；为卡尔曼滤波器的过程噪声的协方差矩阵，为第时刻。7.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s3中，所述代价矩阵的定义如下：；其中，为第n个行人跟踪目标的，为行人目标框的位置在行人跟踪目标位置的先验分布中的概率密度，、分别为第m个行人目标框的位置横坐标、纵坐标，为矩阵的转置运算。8.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s3中，所述使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对，具体为：使用匈牙利算法对代价矩阵做行置换运算，以最小化矩阵的迹：；其中，为置换矩阵，为代价矩阵；经过匈牙利算法匹配后，得到全局最优的匹配对，匹配对的定义如下：；其中，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，为行人目标检测模型得到的行人目标框的置信度，为行人跟踪目标的id信息。9.根据权利要求1所述低帧率场景下的行人目标跟踪方法，其特征在于，步骤s4中，对于匹配上的行人跟踪目标与行人目标框，进行如下操作：计算行人观测量的残差：；其中，为卡尔曼滤波器的观测矩阵， 为观察模型矩阵，为行人跟踪目标的
先验状态量；计算行人观测量的残差的协方差矩阵：；其中，为矩阵的转置运算，为行人跟踪目标的先验分布的协方差矩阵，为状态量的分布的协方差矩阵；为卡尔曼滤波器的观测噪声的协方差矩阵，用于更新行人跟踪目标的先验分布；计算卡尔曼滤波的最佳增益：；更新行人状态量的后验分布：；其中，为状态量的后验分布的协方差矩阵；更新行人跟踪目标的后验状态量：；其中，、 在下个迭代周期中分别作为行人跟踪目标的当前状态量、分布使用。10.根据权利要求9所述低帧率场景下的行人目标跟踪方法，其特征在于，所述行人跟踪目标的先验状态量通过状态转换矩阵得到：；；其中，为状态转移矩阵，为状态量，为行人目标框的横坐标，为行人目标框的纵坐标，为行人目标框的宽度，为行人目标框的高度，、、、分别为、、、对时间的导数。11.一种服务器，所述服务器包括处理器和存储器，其特征在于，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现如权利要求1至10中任一权利要求所述低帧率场景下的行人目标跟踪方法。12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现如权利要求1至10中任一权利要求所述低帧率场景下的行人目标跟踪方法。

技术总结
本发明公开了一种低帧率场景下的行人目标跟踪方法及可读存储介质，所述方法包括以下步骤：初始化卡尔曼滤波参数，根据行人目标检测模型得到的行人目标框的置信度与行人目标框的宽高比的变化率来决定每次迭代中用于更新行人跟踪目标的卡尔曼滤波器的观测噪声的协方差矩阵；使用匈牙利算法计算出行人跟踪目标与行人目标框的全局最优的匹配对；根据匹配结果做相应处理。本发明针对低帧率场景作优化，解决在低帧率场景下容易跟丢目标的问题，可适用于安防场景和低帧率场景，且仅利用目标框位置与运动信息，减低了跟踪算法的运算量以及参数量，同时解偶了检测和跟踪算法，使得可以使用适合的检测模型来解决复杂场景问题。以使用适合的检测模型来解决复杂场景问题。以使用适合的检测模型来解决复杂场景问题。


技术研发人员：区英杰 梁柱 董万里 谭焯康
受保护的技术使用者：广州英码信息科技有限公司
技术研发日：2023.07.04
技术公布日：2023/8/13