[發明專利]目標跟蹤方法、裝置和計算機可讀存儲介質

有效

• 申請號: 201811285529.7
• 申請日: 2018-10-31
• 公開（公告）號: CN111127509B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 范晶
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/269;G06V10/774;G06V10/75;G06V10/82
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 韓東艷

1.一種目標跟蹤方法，其特征在于，所述方法包括：

獲取需要進行目標跟蹤的視頻；

通過目標識別模型，確定所述視頻的每幀視頻圖像中的檢測框的位置，以及確定每個檢測框內的目標的類別和圖像特征，所述目標識別模型是交替使用或者同時使用目標檢測數據集和檢索數據集，采用多任務學習的方式對神經網絡模型進行訓練得到，所述目標檢測數據集中的每個目標檢測數據標記有檢測框位置及對應的目標類別，所述檢索數據集中的每個檢索數據標記有目標標識，所述目標檢測數據集用于訓練所述神經網絡模型執行目標檢測任務，所述檢索數據集用于訓練所述神經網絡模型執行特征提取任務，所述神經網絡模型中的各個層共同完成所述目標檢測任務和所述特征提取任務；

根據所述視頻的每幀視頻圖像中的檢測框的位置和每個檢測框內的目標的類別和圖像特征，對所述視頻中包含的目標進行跟蹤。

2.如權利要求1所述的方法，其特征在于，

當所述目標識別模型是交替使用所述目標檢測數據集和所述檢索數據集對所述神經網絡模型進行訓練得到時，所述目標識別模型是根據第一神經網絡模型中的參數的梯度值，對所述第一神經網絡模型中的參數進行更新后得到，所述第一神經網絡模型中的參數的梯度值是根據所述檢索數據集確定得到，所述第一神經網絡模型是根據所述神經網絡模型中的參數的梯度值，對所述神經網絡模型中的參數進行更新后得到，所述神經網絡模型中的參數的梯度值是根據所述目標檢測數據集確定得到；或者，

當所述目標識別模型是交替使用所述目標檢測數據集和所述檢索數據集對所述神經網絡模型進行訓練得到時，所述目標識別模型是根據第二神經網絡模型中的參數的梯度值，對所述第二神經網絡模型中的參數進行更新后得到，所述第二神經網絡模型中的參數的梯度值是根據所述目標檢測數據集確定得到，所述第二神經網絡模型是根據所述神經網絡模型中的參數的梯度值，對所述神經網絡模型中的參數進行更新后得到，所述神經網絡模型中的參數的梯度值是根據所述檢索數據集確定得到。

3.如權利要求1所述的方法，其特征在于，

當所述目標識別模型是同時使用所述目標檢測數據集和所述檢索數據集對所述神經網絡模型進行訓練得到時，所述目標識別模型是根據所述神經網絡模型中的參數的平均梯度值，對所述神經網絡模型中的參數進行更新后得到，所述神經網絡模型中的參數的平均梯度值是對所述神經網絡模型中的參數的第一梯度值和第二梯度值進行平均后得到，所述神經網絡模型中的參數的第一梯度值是根據所述目標檢測數據集確定得到，所述神經網絡模型中的參數的第二梯度值是根據所述檢索數據集確定得到。

4.如權利要求1-3任一所述的方法，其特征在于，所述獲取需要進行目標跟蹤的視頻之后，還包括：

獲取所述視頻的每幀視頻圖像中每個檢測框內的目標的跟蹤特征；

相應地，所述根據所述視頻的每幀視頻圖像中的檢測框的位置和每個檢測框內的目標的類別和圖像特征，對所述視頻中包含的目標進行跟蹤，包括：

根據所述視頻的每幀視頻圖像中的檢測框的位置和每個檢測框內的目標的類別、圖像特征和跟蹤特征，對所述視頻中包含的目標進行跟蹤。