[發(fā)明專利]改進(jìn)型的目標(biāo)跟蹤方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910694952.0
• 申請(qǐng)日: 2019-07-30
• 公開（公告）號(hào): CN110533688A
• 公開（公告）日: 2019-12-03
• 發(fā)明（設(shè)計(jì)）人: 張國輝;陳思靜
• 申請(qǐng)（專利權(quán)）人: 平安科技(深圳)有限公司
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06T7/73
• 代理公司: 44312 深圳市恒申知識(shí)產(chǎn)權(quán)事務(wù)所(普通合伙)
• 代理人: 李紅梅<國際申請(qǐng)>=<國際公布>=<進(jìn)入

本發(fā)明公開了一種改進(jìn)型的目標(biāo)跟蹤方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該方法包括：獲取待跟蹤視頻的每一幀圖像中每一待跟蹤目標(biāo)的位置；根據(jù)所述待跟蹤目標(biāo)的位置和預(yù)先訓(xùn)練的特征跟蹤模型，通過神經(jīng)網(wǎng)絡(luò)提取每一待跟蹤目標(biāo)的源特征；通過特征融合網(wǎng)絡(luò)對(duì)所述待跟蹤目標(biāo)的源特征進(jìn)行融合，以獲得所述待跟蹤目標(biāo)的融合特征；根據(jù)所述待跟蹤目標(biāo)的融合特征確定待跟蹤目標(biāo)的最終特征。本發(fā)明中的神經(jīng)網(wǎng)絡(luò)可以當(dāng)作一種任意函數(shù)逼近器，采用所述神經(jīng)網(wǎng)絡(luò)來替代傳統(tǒng)的自定義的融合函數(shù)，通過數(shù)據(jù)驅(qū)動(dòng)的方式，讓所述神經(jīng)網(wǎng)絡(luò)自己去學(xué)習(xí)真實(shí)的融合函數(shù)，從而提高了目標(biāo)跟蹤算法的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種改進(jìn)型的目標(biāo)跟蹤方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

目標(biāo)跟蹤，也叫視覺目標(biāo)跟蹤，是計(jì)算機(jī)視覺中的一個(gè)重要研究方向，有著廣泛的應(yīng)用，例如：視頻監(jiān)控領(lǐng)域，人機(jī)交互領(lǐng)域，無人駕駛領(lǐng)域等。過去二三十年，視覺目標(biāo)跟蹤技術(shù)取得了較大的進(jìn)步，特別是最近兩年利用深度學(xué)習(xí)的目標(biāo)跟蹤方法取得了令人滿意的效果，使目標(biāo)跟蹤技術(shù)獲得了突破性的進(jìn)展。

目標(biāo)跟蹤問題本質(zhì)上是一個(gè)數(shù)據(jù)關(guān)聯(lián)問題，即從前后兩幀圖片中找出是同一個(gè)目標(biāo)的兩個(gè)行人，將他們進(jìn)行關(guān)聯(lián)。在數(shù)據(jù)關(guān)聯(lián)中，需要用到很多數(shù)據(jù)線索(例如外觀特征，運(yùn)動(dòng)特征等)，以計(jì)算各自的相似度，然后再將他們通過一個(gè)方法(通常是自定義的函數(shù))，將他們結(jié)合在一起。然而，現(xiàn)有技術(shù)中使用的這種結(jié)合方法通常沒有太多的理論依據(jù)，通過這種結(jié)合方法產(chǎn)生的融合數(shù)據(jù)并不能反應(yīng)出真實(shí)情況。

發(fā)明內(nèi)容

本發(fā)明提供一種改進(jìn)型的目標(biāo)跟蹤方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其主要目的在于可以提供目標(biāo)跟蹤算法的精度。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種改進(jìn)型的目標(biāo)跟蹤方法，該方法包括：

步驟A：獲取待跟蹤視頻的每一幀圖像中每一待跟蹤目標(biāo)的位置；

步驟B：根據(jù)所述待跟蹤目標(biāo)的位置和預(yù)先訓(xùn)練的特征跟蹤模型，通過神經(jīng)網(wǎng)絡(luò)提取每一待跟蹤目標(biāo)的源特征；

步驟C：通過特征融合網(wǎng)絡(luò)對(duì)所述待跟蹤目標(biāo)的源特征進(jìn)行融合，以獲得所述待跟蹤目標(biāo)的融合特征；及

步驟D：根據(jù)所述待跟蹤目標(biāo)的融合特征確定待跟蹤目標(biāo)的最終特征。

可選地，所述步驟C包括：

通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練融合模型；

通過所述融合模型對(duì)所述待跟蹤目標(biāo)的源特征進(jìn)行融合；

生成所述待跟蹤目標(biāo)的融合特征。

可選地，在執(zhí)行所述步驟A之前，所述改進(jìn)型的目標(biāo)跟蹤方法還包括：

采集待跟蹤視頻數(shù)據(jù)；及

對(duì)視頻數(shù)據(jù)進(jìn)行背景濾除，得到背景濾除的幀圖像。

可選地，在執(zhí)行所述步驟B之前，所述改進(jìn)型的目標(biāo)跟蹤方法還包括：預(yù)先訓(xùn)練特征跟蹤模型。

可選地，所述“預(yù)先訓(xùn)練特征跟蹤模型”步驟包括：

通過視頻采集設(shè)備采集不同的視頻圖像，以獲得不同的訓(xùn)練樣本；及

將所述不同的訓(xùn)練樣本輸入到待訓(xùn)練的特征跟蹤模型中進(jìn)行訓(xùn)練，從而獲得預(yù)先訓(xùn)練特征跟蹤模型。

可選地，所述特征融合網(wǎng)絡(luò)為循環(huán)神經(jīng)網(wǎng)絡(luò)。

可選地，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的步驟包括：

步驟E1：確定輸入數(shù)據(jù)類型和結(jié)構(gòu)；

步驟E2：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；

步驟E3：設(shè)計(jì)loss函數(shù)；其中，所述loss函數(shù)為KS散度；