[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

本發明公開了一種目標跟蹤方法和裝置，屬于電子技術領域。該方法包括：通過目標識別模型確定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，目標識別模型是使用目標檢測數據集和檢索數據集對神經網絡模型進行訓練得到，每個目標檢測數據標記有檢測框位置及對應的目標類別，每個檢索數據標記有目標標識；根據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，對視頻中包含的目標進行跟蹤。本發明中目標識別模型可以定位目標并同時提取出目標的圖像特征，在不增加額外的時間消耗和資源消耗的情況下，能夠直接提供目標的圖像特征用于目標跟蹤的評價參考，可以提高目標跟蹤的實時性和準確性。

技術領域

本發明涉及電子技術領域，特別涉及一種目標跟蹤方法、裝置和計算機可讀存儲介質。

背景技術

隨著電子技術的發展，對圖像內容進行識別與理解已經成為研究的熱點。目標跟蹤作為識別與理解圖像內容的一個重要方面，在安防監控、智能交通、自動駕駛等領域有著廣泛的應用。目標跟蹤是指在視頻中持續不斷地自動識別和定位目標，以記錄目標的運動軌跡。

目前，在視頻中進行目標跟蹤時，先用目標檢測模型檢測出視頻的每幀視頻圖像中的檢測框位置及其對應的目標類別，再使用預設的跟蹤算法對每幀視頻圖像中的檢測框內的圖像進行識別，得到檢測框內的目標的跟蹤特征，然后根據每幀視頻圖像中包含的目標的跟蹤特征、每幀視頻圖像中的檢測框位置及其對應的目標類別，對該視頻中包含的目標進行跟蹤。

然而，上述目標跟蹤過程中，需要先使用目標檢測模型對視頻圖像進行檢測，再使用預設的跟蹤算法對視頻圖像進行跟蹤，整體過程復雜，目標跟蹤的實時性較低。并且，由于只是使用目標的跟蹤特征來對目標進行跟蹤，所以目標跟蹤的準確性較低。

發明內容

本發明實施例提供了一種目標跟蹤方法、裝置和計算機可讀存儲介質，可以解決相關技術中目標跟蹤的實時性和準確性較低的問題。所述技術方案如下：

一方面，提供了一種目標跟蹤方法，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使用目標檢測數據集和檢索數據集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；

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。

可選地，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；或者，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。

可選地，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。