摘要
本发明公开了融合多模态文本特征的视频文本检索人物轨迹生成方法，包括S1，视频输入与目标检测，得到图像中所有N个人物的目标框(x1,y1,x2,y2)坐标位置；S2，特征提取；S3，将人物坐标(x1,y1,x2,y2)、文本向量和图像特征向量送入DeepSort模型，然后进行特征匹配，并将匹配后的特征存储至MySQL数据库中；S4，轨迹分析与展示。本发明实现了对视频中的人物衣着、穿戴和骑行工具等方面的文本描述，通过对数据库匹配定位目标行动轨迹；另外在原本的目标跟踪中增加了多模态的文本描述特征，对文本描述通过Bert模型实现词向量化，并在目标跟踪中的匈牙利匹配环节增加文本描述向量损失，避免由于遮挡或者多目标人物重叠后的TrackID交换的问题。
