结合CNN和Bi-LSTM的多行人目标检测跟踪方法

为了提高多行人检测跟踪的准确性和鲁棒性,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bi-directional Long-Short Term Memory,Bi-LSTM)网络的检测跟踪方法。训练一个CNN以测量2个检测跟踪框之间的相似度;为了求解数据关联问题,将检测结果作为节点,结合相似性度量和亲密度,构建Lifted行人跟踪图;为了解决长期遮挡和身份误换问题,提高跟踪鲁棒性,提出了一种改进Bi-LSTM网络预测行人的非线性运动,并利用目标运动信息来连接轨迹片段。仿真结果表明,与其他先进方法相比,所提方法具有更好的跟踪性能,在PETS2009数据集和CAVIAR数据集上的大部分跟踪(Most Tracking,MT)占比分别达到90.2%和79.1%,且身份误换的次数更少。