联合YOLOv3检测和ReID的目标跟踪方法

摘要

针对目标跟踪算法在跟踪过程中易受环境干扰、光照变化、目标尺度和类别的影响.由此提出一种联合YOLOv3检测算法的目标跟踪算法,利用目标检测器的边界框回归,来预测目标在下一帧中的位置,从而将检测器转换成跟踪器.基于深度学习卷积神经网络的目标检测算法YOLOv3,作为该方法的检测模块,初始化轨迹和获取关键帧信息并进行优化;以连续帧图像对和前帧边界框作为输入,生成当前帧对应跟踪边界框;最后,将检测和跟踪的边界框进行融合,判断是否对跟踪轨迹进行更新.该实验还加入了基于ReID网络的长期跟踪方案.在OTB100数据集测试结果表明,该算法与传统目标跟踪算法相比跟踪性能更加稳定.