基于Mask R-CNN的多目标跟踪算法

吉林大学学报(理学版) ›› 2021, Vol. 59 ›› Issue (3): 609-618.

基于Mask R-CNN的多目标跟踪算法

张彩丽¹, 刘广文¹, 詹旭¹, 史浩东²，才华^1,3, 李英超²

1. 长春理工大学电子信息工程学院, 长春 130022； 2. 长春理工大学光电工程学院, 长春 130022; 3. 长春中国光学科学技术馆, 长春 130117

收稿日期:2020-07-07 出版日期:2021-05-26 发布日期:2021-05-23
通讯作者: 刘广文 E-mail:lgwen_2003@126.com

Multiple Object Tracking Algorithm Based on Mask R-CNN

ZHANG Caili¹, LIU Guangwen¹, ZHAN Xu¹, SHI Haodong², CAI Hua^1,3, LI Yingchao²

1. School of Electronic Information Engineer, Changchun University of Science and Technology, Changchun 130022, China;
2. School of Opto-Electronic Engineer, Changchun University of Science and Technology, Changchun 130022, China;
3. Changchun China Optical Science and Technology Museum, Changchun 130117, China

Received:2020-07-07 Online:2021-05-26 Published:2021-05-23

摘要/Abstract

摘要： 针对目前多目标跟踪算法在面对目标频繁遮挡时跟踪效果较差的问题, 提出采用Mask R-CNN作为检测器, 根据检测结果利用Kalman滤波器预测下帧图像中跟踪目标的位置, 用改进匈牙利算法进行数据关联, 并利用轨迹修正方案应对轨迹中断问题. 将该算法在MOT16数据集的各测试集上进行实验, 实验结果表明, 该算法目标跟踪准确率为55.1%, 且针对目标被遮挡问题效果较好.

关键词: 机器视觉, 目标跟踪, 匈牙利算法, 深度学习

Abstract: Aiming at the problem that the current multiple object tracking algorithm had poor tracking effect in the face of frequent target occlusion, using Mask R-CNN as a detector, according to the detection results, the Kalman filter was used to predict the position of the tracking target in the next frame image and the improved Hungarian algorithm was used for data association, and the trajectory correction scheme was used to deal with the problem of trajectory interruption. The algorithm was experimented on each test set of MOT16 dataset, the experimental results show that the tracking accuracy of the algorithm is 55.1%, and the effect of target occlusion is better.

Key words: machine vision, target tracking, Hungarian algorithm, deep learning

中图分类号:

TP391

张彩丽, 刘广文, 詹旭, 史浩东, 才华, 李英超. 基于Mask R-CNN的多目标跟踪算法[J]. 吉林大学学报(理学版), 2021, 59(3): 609-618.

ZHANG Caili, LIU Guangwen, ZHAN Xu, SHI Haodong, CAI Hua, LI Yingchao. Multiple Object Tracking Algorithm Based on Mask R-CNN[J]. Journal of Jilin University Science Edition, 2021, 59(3): 609-618.

[1]	朱新丽, 才华, 寇婷婷, 杜冬晖, 孙俊喜. 行人多目标跟踪算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1161-1170.
[2]	刘高天, 段锦, 范祺, 吴杰, 赵言. 基于改进RFBNet算法的遥感图像目标检测[J]. 吉林大学学报(理学版), 2021, 59(5): 1188-1198.
[3]	杨光, 贾焱鑫, 陈翔, 许舒源. 基于深度学习的Stack Overflow问题帖分类方法[J]. 吉林大学学报(理学版), 2021, 59(4): 922-928.
[4]	孙俊, 才华, 朱新丽, 胡浩, 李英超. 基于双重注意力机制的深度人脸表示算法[J]. 吉林大学学报(理学版), 2021, 59(4): 883-890.
[5]	李鹏松, 李俊达, 倪天宇, 张琦, 胡建平. 基于图像特征的卷积核初始化方法[J]. 吉林大学学报(理学版), 2021, 59(3): 587-594.
[6]	张志宏, 刘传领. 基于灰狼算法优化深度学习网络的网络流量预测[J]. 吉林大学学报(理学版), 2021, 59(3): 619-626.
[7]	田强, 贾小宁. 基于深度残差网络的车标识别[J]. 吉林大学学报(理学版), 2021, 59(2): 319-324.
[8]	刘庆强, 张福禄, 张瑶瑶, 张晨雨. 孪生压缩激励全卷积网络的目标跟踪方法[J]. 吉林大学学报(理学版), 2021, 59(2): 325-332.
[9]	曲豫宾, 陈翔, 李龙. 可缓解类重叠问题的跨版本软件缺陷预测方法[J]. 吉林大学学报(理学版), 2021, 59(2): 372-378.
[10]	李菊霞. 基于深度学习的二值图像目标轮廓识别算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1189-1194.
[11]	李婷婷, 胡玉龙, 魏枫林. 基于GAN改进的人脸表情识别算法及应用[J]. 吉林大学学报(理学版), 2020, 58(3): 605-610.
[12]	贾锋, 薛潺涓, 王欣. 用于肺结节检测和分类的两阶段深度学习方法[J]. 吉林大学学报(理学版), 2020, 58(2): 329-336.
[13]	张尧, 才华, 曹露, 王冰雪, 陈广秋. 基于字典学习改进的时空上下文算法[J]. 吉林大学学报(理学版), 2019, 57(06): 1442-1448.
[14]	李秀娟. 一种抗遮挡的运动目标跟踪算法[J]. 吉林大学学报(理学版), 2017, 55(05): 1207-1212.
[15]	王江涛. 基于背景差分和粒子滤波的运动目标跟踪算法[J]. 吉林大学学报(理学版), 2015, 53(05): 999-1005.