本发明涉及目标跟踪，尤其涉及一种视频目标跟踪方法。
背景技术：
1、目前，目标跟踪一般指通用单目标跟踪，第一帧给个矩形框，这个框在数据库里面是人工标注的，在实际情况下大多是检测算法的结果，然后需要跟踪算法在后续帧中紧跟住这个框，目标跟踪面临几大难点是：外观变形，光照变化，快速运动和运动模糊，背景相似干扰，平面外旋转，平面内旋转，尺度变化，遮挡和出视野等情况，目标跟踪的两大类方法是：生成模型方法和判别模型方法。
2、但是现有部分滤波法适用于去图像噪声、或平滑图像、或边缘检测，基于目标建模的方法对整张图片进行处理的实时性较差，且性能与速度难以兼顾、稳定性与准确性难以平衡。
技术实现思路
1、鉴于上述现有技术部分滤波法适用于去图像噪声、或平滑图像、或边缘检测，基于目标建模的方法对整张图片进行处理的实时性较差，且性能与速度难以兼顾、稳定性与准确性难以平衡的问题，提出了本发明。
2、因此，本发明目的是提供一种视频目标跟踪方法，其目的在于：可进行多目标跟踪并将预测算法加入到跟踪中，且显著提高目标跟踪的稳定性和准确性。
3、为解决上述技术问题，本发明提供如下技术方案：一种视频目标跟踪方法，包括如下步骤：
4、s1，数据预处理与目标检测；
5、s2，进行状态预测，将预测算法加入到跟踪中，在预测值附近进行目标搜索，从而缩小搜索范围，这里基于卡尔曼滤波，其关键点是通过状态方程和历史目标位置来预测下一帧的目标位置；
6、s3，进行数据关联，计算当前帧中的检测结果与卡尔曼滤波预测结果之间的关联成本矩阵，并使用匈牙利算法进行最优匹配；
7、s4，最后进行状态更新，更新步骤，根据最优匹配结果，使用卡尔曼滤波更新每个目标的状态，将最新的测量数据与预测值进行融合，以改进状态估计，同时新目标初始化和目标消失检测：根据匹配结果，初始化新检测到的目标，并移除长时间未被检测到的目标。
8、作为本发明所述视频目标跟踪方法的一种优选方案，其中：所述数据预处理时为了能使本研究工作快速应用到生产实际中，自行研制数据集。
9、作为本发明所述视频目标跟踪方法的一种优选方案，其中：所述数据预处理通过摄像头采集图像，利用l abe lme对采集的图像打标签，且所生成的json文件进一步转换为yo l o格式。
10、作为本发明所述视频目标跟踪方法的一种优选方案，其中：所述关联成本矩阵通常求和最小问题，那么关联矩阵称为花费矩阵，求的问题是使之和最大化，那么关联成本矩阵称为利益矩阵。
11、作为本发明所述视频目标跟踪方法的一种优选方案，其中：所述s4步骤中使用贝叶斯定理将先前的状态估计与新的观测数据相结合，从而获得更新的状态估计，这与卡尔曼增益相关，该增益影响预测值与观测值的结合，更新步骤产生的结果是一个更准确的状态估计，它的精度比单独的预测或测量更高。
12、本发明的有益效果：通过该视频目标跟踪方法，能够在yolov5的基础上，使用卡尔曼滤波进行平滑的目标状态估计，并使用匈牙利算法实现高效的数据关联，从而显著提高目标跟踪的稳定性和准确性。
1.一种视频目标跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视频目标跟踪方法，其特征在于：所述数据预处理时为了能使本研究工作快速应用到生产实际中，自行研制数据集。
3.根据权利要求2所述的视频目标跟踪方法，其特征在于：所述数据预处理通过摄像头采集图像，利用labelme对采集的图像打标签，且所生成的json文件进一步转换为yolo格式。
4.根据权利要求3所述的视频目标跟踪方法，其特征在于：所述关联成本矩阵通常求和最小问题，那么关联矩阵称为花费矩阵，求的问题是使之和最大化，那么关联成本矩阵称为利益矩阵。
5.根据权利要求4所述的视频目标跟踪方法，其特征在于：所述s4步骤中使用贝叶斯定理将先前的状态估计与新的观测数据相结合，从而获得更新的状态估计，这与卡尔曼增益相关，该增益影响预测值与观测值的结合，更新步骤产生的结果是一个更准确的状态估计，它的精度比单独的预测或测量更高。
