本发明属于高密度行人重识别领域，针对拥挤场景下的行人头部跟踪，具体设计成基于epsa-centernet和ukf的多目标跟踪算法模型。
背景技术：
1、近些年来，深度学习技术迅速发展，在行人重识别领域中得到广泛应用。但由于我国人口基数过大，在多目标全身跟踪中经常发生遮挡情况。将深度学习应用到拥挤场景下的全身跟踪普遍跟踪精度不高，id切换频繁，严重影响到公共场合中对行人轨迹的跟踪，不利于社会治安的维护和管理。并且目前现有算法对行人头部这种小目标跟踪仍然常发生漏检和误检等情况，加上遮挡以及运动变化等复杂情况会影响对目标的身份判定。
2、目前基于深度学习的多目标跟踪方法主要通过目标检测和数据关联的方法来实现，主要有以下几种：
3、1.基于anchor-based的目标检测算法
4、2.基于deepsort算法和贪婪匹配策略的跟踪匹配
5、以上方法能在一定程度上提升跟踪精度，但仍然无法处理现实中的一些复杂情况。
技术实现思路
1、发明目的：本发明是提供一种基于深度学习的高密度行人头部实时跟踪算法，减少行人跟踪过程中id切换问题，提升拥挤场景下行人的跟踪精度，进一步克服目前全身跟踪存在的缺陷。
2、技术方案：一种基于深度学习的高密度行人头部实时跟踪算法，包括如下步骤：
3、步骤一、在epsa-centernet的检测算法上作出改进，得到目标检测网络，并训练成行人头部的检测模型。
4、步骤二、在特征提取网络输出端的reid分支应用cs-softmax损失函数以提高头部分类效果。
5、步骤三、将目标的特征信息输入到改进后的跟踪器中进行数据关联匹配，运用ukf滤波器中的sigma点集模拟真实状态并更新系统状态，完成多目标跟踪模型的搭建。
6、步骤四：进行级联匹配，将出现频繁的目标赋予更高的权重以此获得匹配优先权。
7、本发明的有益技术效果是：
8、1.基于epsa-centernet的目标检测器对小目标特征进行多尺度提取与增强，提升了检测精度，减少了漏检与误检的出现次数。
9、2.改进了reid分支中的损失函数，应用cs-softmax后可以提高模型学习低维特征能力，使得模型更容易区分不同目标的特征。
10、3.基于focus的下采样层可以节约一层卷积的计算成本，并且可以完整的保留小目标的特征信息。
11、4.基于ukf-deepsort的跟踪器在处理遮挡方面具有一定的优势，并且可以有效减少id身份的切换。
1.一种基于深度学习的高密度行人头部实时跟踪算法，其特征在于，结合了epsa-centernet检测器与基于ukf-deepsort的跟踪器。针对拥挤场景下行人头部小目标特征难以检测问题，提出了多尺度提取spc模块并引入注意力机制来增强小目标特征检测精度。针对拥挤场景下行人遮挡问题，提出了ukf-deepsort算法运用sigma点集模拟行人运动的分布，并结合cs-softmax优化网络中reid分支中分类损失函数以增强模型重识别能力。算法主要有以下步骤：
2.根据权利要求1所述，epsa-centernet检测算法是以原centernet网络结构所改进的，其特征在于，主干网络和特征提取网络以及四条输出头，包括：
3.根据权利要求1所述，基于ukf-deepsort的跟踪器，其特征在于，采用sigma点集去模拟系统状态，根据ukf去预测和更新目标状态，并把目标状态信息传入到匈牙利算法中进行轨迹匹配，最后采用级联匹配对频繁出现的目标加权并进行iou匹配。
4.根据权利要求1所述，改进reid分支的损失函数以增强区分不同目标特征的能力，其特征在于，改进后的cs-softmax引入了尺度因子、边距因子以及权重更新因子来增强类内紧凑性和类间分离性。