(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210935923.0 (22)申请日 2022.08.05 (65)同一申请的已公布的文献号 申请公布号 CN 115018885 A (43)申请公布日 2022.09.06 (73)专利权人 四川迪晟新达 类脑智能技 术有限 公司 地址 610000 四川省成 都市金牛高新技术 产业园区兴盛西路2号 4栋5层 (72)发明人 冉欢欢　李非桃　李和伦　陈益　 王丹　褚俊波　陈春　李毅捷　 赵瑞欣　莫桥波　王逸凡　李东晨　 (74)专利代理 机构 成都立新致创知识产权代理 事务所 (特殊普通合伙) 51277 专利代理师 刘俊(51)Int.Cl. G06T 7/246(2017.01) G06T 3/40(2006.01) G06T 5/00(2006.01) G06V 10/50(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108053419 A,2018.0 5.18 CN 107564034 A,2018.01.09 审查员 安静 (54)发明名称 一种适用 于边缘设备的多尺度目标跟踪算 法 (57)摘要 本发明涉及一种适用于边缘设备的多尺度 目标跟踪算法， 通过自动检测目标， 并以目标第 一次出现时大小为标准， 提取目标的金字塔特 征， 金字塔层数根据实际场景中目标的大小变化 幅度设置； 连续匹配一段时序后， 重新检测目标， 确定目标尺度在金字塔结构层数， 提取当前帧目 标特征， 并更新对应层数的特征模板。 本发明达 到的有益效果是： 通过多尺度的目标特征结构， 滤除因尺度变化而产生的多余背景信息对目标 的特征提取造成的干扰， 增大尺度变化的目标的 跟踪成功率和精度。 权利要求书3页 说明书7页 附图1页 CN 115018885 B 2022.11.11 CN 115018885 B 1.一种适用于边 缘设备的多尺度目标跟踪算法， 其特 征在于： 包括： S1、 初检测 通过深度学习模型首次检测到目标后， 将目标的宽、 高记为标准宽、 高， 该目标的宽、 高 所形成的目标框作为标准目标框； S2、 预处理 将标准目标框内图像进行灰度处理后， 通过图像缩放方式形成多层的金字塔等级结 构， 计算金字塔等级中每一层目标 灰度图的HO G特征； 选定当前帧特 征后， 在一段时序内根据KCF算法， 计算响应矩阵； 根据计算的响应矩阵， 获取最大响应点作为当前帧目标位置， 前一帧目标大小作为当 前帧的目标 大小； 根据当前帧目标和所选金字塔的层， 计算对应HO G特征， 并作特 征模板更新； S3、 重新检测 根据深度学习模型重新检测， 检测到目标后， 将新检测到目标的宽、 高所形成的目标框 作为新检测目标框， 计算 新检测目标框与标准目标框之间的宽和高的比例； 计算新检测目标框内图像的HO G特征向量； 选取金字塔结构中对应比例的特 征， 与当前新帧检测的目标向量做相似度对比； 若特征向量相似度大于设定阈值thresh1， 再计算新检测目标框与前一帧目标框的IOU 值； 若IOU值大于另一设定阈值thresh2， 则新检测目标框为跟踪目标框， 并作特征模板更 新； S4、 重复步骤S2、 步骤S3， 直到结束任务或跟踪失败； 所述S3中， 重新检测目标： S31、 经过一段时序后， 通过目标检测模型YOLOV3 ‑Tiny重新对目标进行检测， 新检测到 目标后， 记录该目标对应目标框的宽度w1、 高度h1， 该目标框称为 新检测目标框； S32、 比较、 缩放、 跟踪； A、 计算新检测目标框、 与原目标框的大小比例 p＝max(w1/w， h1/h) 若新检测目标框与原目标框的比例大小， 接近金字塔层等级结构某一层的缩放比例， 则选取该层的特 征向量进行跟踪； B、 计算当前帧目标的特 征向量f； C、 根据所选特 征向量， 计算相似度； D、 若特征向量相似度大于设定的阈值thresh1， 计算当前帧目标与前一帧目标的IOU值， 其中， Rt表示当前目标框， Rt ‑1表示前一帧目标框， IOU表示两个目标框的交集大小比 上两个目标框的并集大小； E、 若IOU值大于设定的另一阈值thresh2， 则确定该目标框为跟踪目标框， 并根据步骤S2 中特征融合方式更新特 征模板。 2.根据权利要求1所述的一种适用于边缘设备的多尺度目标跟踪算法， 其特征在于： 所权　利　要　求　书 1/3 页 2 CN 115018885 B 2述S1中， 通过轻量级目标检测模 型YOLOV3 ‑Tiny来检测目标， 将检测到的目标作为标准大小 目标， 并记录该目标对应目标框的宽度、 高； 所述S3中， 通过轻量级目标检测模型YOLOV3 ‑Tiny来检测目标， 将检测到的目标作 为新 检测目标， 并记录新检测目标对应目标框的宽度、 高。 3.根据权利要求2所述的一种适用于边缘设备的多尺度目标跟踪算法， 其特征在于： 所 述S2中， 预处 理： S21、 将首次检测到的目标对应目标框内的图像， 进行 灰度化处 理； 按不同缩放因子进行放大或缩小， 形成具有多层的金字塔等级结构， 每一层对应一个 缩放因子； 计算金字塔等级中每一层灰度图的HO G特征， 即方向梯度直方图； S22、 选定当前帧的特 征， 在后续的[t0， tn]时序内进行目标跟踪； 即在[t0， tn]时序内， 根据选 定金字塔等级对应层数的目标 特征， 进行目标跟踪； 并以KCF算法进行目标跟踪。 4.根据权利要求3所述的一种适用于边缘设备的多尺度目标跟踪算法， 其特征在于： 所 述S21中， 将目标 灰度处理时： 目标框内的灰度图， Gray(i， j)＝0.2126 *R(i， j)+0.7152*G(i， j)+0.072 2*B(i， j) 其中， Gray表示灰度图， R、 G、 B表示RGB三通道彩色图中三个通道分量， i表示图像中横 坐标， j表示图像中纵坐标， 坐标轴原点在左上角； (i， j)表示 坐标位置的像素值。 5.根据权利要求4所述的一种适用于边缘设备的多尺度目标跟踪算法， 其特征在于： 所 述S21中， 进行缩放后形成具有 多层的金字塔等级： (1)设定金字塔结构等级 将灰度化后的目标框内的灰度图进行缩放， 并按1.5、 2、 1、 0.5、 0.25这5个缩放因子进 行缩放， 形成具有五层的金字塔等级结构； 根据缩放因子(1.5， 2.0， 1.0， 0.5， 0.25)， 计算缩放后的灰度图Gray2.0、 Gray1.5、 Gray1.0、 Gray0.5、 Gray0.25， 缩放后的图大小分别为(2w， 2h)、 (1.5w， 1.5h)、 (1.0w， 1.0h)、 (0.5w， 0.5 h)、 (0.25w， 0.25 h)； 缩放算法选择双线性插值 算法， 缩放后图像中(x， y)位置像素值如下 所示， Δx＝x′ ‑x1 Δy＝y′ ‑y1 Grayα(x， y)＝(1 ‑Δx)*(1‑Δy)*Gray(x1， y1)+Δx*(1 ‑Δy)*Gray(x2， y1)+Δy(1‑Δx)*权　利　要　求　书 2/3 页 3 CN 115018885 B 3