乒乓球目标跟踪方法、装置、存储介质和计算机设备制造方法及图纸

本发明专利技术涉及一种乒乓球目标跟踪方法、装置、存储介质和计算机设备。从包含目标的视频中获取图像，将图像输入预设卷积神经网络模型经过处理得到图像中目标的包围盒。将图像中目标的包围盒输入预设回归层进行回归处理后得到目标对应的回归后的包围盒，预设回归层包含预设卷积神经网络模型的低层卷积层。越低层的卷积层包含较多位置信息，高层的卷积层包含较多语义信息如物体的类别。所以将经过预设卷积神经网络模型处理得到的包围盒输入至预设回归层进行回归处理后，因为预设回归层包含预设卷积神经网络模型的低层卷积层，所以可以同时兼顾高层卷积层的语义信息和低层卷积层的位置信息，从而可以正确辨别出输入图像中的目标并准确地给出目标的包围盒。

Table tennis target tracking method, device, storage medium and computer equipment

The invention relates to a method for tracking table tennis target, a device, a storage medium and a computer equipment. The image is obtained from the video containing the target, and the presupposed convolution neural network model is processed to get the encircling box of the target in the image. The bounding box in the image is input to the preset regression layer and processed by regression. After that, the bounding box after the corresponding regression is obtained. The preset regression layer contains the low level volume layer of the preset convolution neural network model. The convolution layer of the lower layer contains more information, and the convolution layer of the higher level contains more semantic information, such as the category of the object. So the convolution neural network model to get default bounding box input to the preset regression regression of layer after layer layer because of the low volume preset regression layer contains preset model of convolutional neural network, so you can also take into account the high volume layer semantic information and lower volume layer location information, which can correctly identify the input the image of the target and the bounding box accurately given target.

【技术实现步骤摘要】
乒乓球目标跟踪方法、装置、存储介质和计算机设备
本专利技术涉及图像处理
，特别是涉及一种乒乓球目标跟踪方法、装置、存储介质和计算机设备。
技术介绍
目标跟踪问题作为计算机视觉中的经典问题，在近几十年不断取得重大发展。从一开始的基于纯计算机视觉方法的Lucas-Kanade跟踪器，mean-shift跟踪器等，到后来整合了detection和及其学习思想的更为复杂的跟踪器，再到如今基于深度学习的跟踪算法。目前用于跟踪的主要深度学习模型都是基于CNN，即卷积神经网络。在一般的基于CNN的跟踪算法中，CNN模型主要作为特征提取器(featureextractor)。利用目前的跟踪算法得出的包围盒不够精确，不精确的包围盒不仅意味着位置信息的误差，还会直接导致整个跟踪框架产生飘移甚至丢失目标。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够使得出的包围盒更加精确的乒乓球目标跟踪方法、装置、存储介质和计算机设备。一种乒乓球目标跟踪方法，所述方法包括：从包含目标的视频中获取图像；将所述图像输入预设卷积神经网络模型经过处理得到所述图像中目标的包围盒；将所述图像中目标的包围盒输入预设回归本文档来自技高网...

【技术保护点】
一种乒乓球目标跟踪方法，所述方法包括：从包含目标的视频中获取图像；将所述图像输入预设卷积神经网络模型经过处理得到所述图像中目标的包围盒；将所述图像中目标的包围盒输入预设回归层进行回归处理后得到所述目标对应的回归后的包围盒，所述预设回归层包含所述预设卷积神经网络模型的低层卷积层。

【技术特征摘要】
1.一种乒乓球目标跟踪方法，所述方法包括：从包含目标的视频中获取图像；将所述图像输入预设卷积神经网络模型经过处理得到所述图像中目标的包围盒；将所述图像中目标的包围盒输入预设回归层进行回归处理后得到所述目标对应的回归后的包围盒，所述预设回归层包含所述预设卷积神经网络模型的低层卷积层。2.根据权利要求1所述的方法，其特征在于，所述将所述图像输入预设卷积神经网络模型经过处理得到所述图像中目标的包围盒，包括：将所述图像输入预设卷积神经网络模型中的卷积层进行卷积操作，得到所述图像的特征图；将所述特征图输入池化层中进行池化操作，得到压缩后的特征图；将所述压缩后的特征图经过全连接层得到所述图像的概率图；根据所述图像的概率图得到所述图像中的目标的包围盒。3.根据权利要求1所述的方法，其特征在于，所述预设回归层包括：全连接层、兴趣区域池化层及所述预设卷积神经网络模型中的低层卷积层。4.根据权利要求1所述的方法，其特征在于，所述将所述图像中目标的包围盒输入预设回归层进行回归处理后得到所述目标对应的回归后的包围盒，包括：重新将所述图像中目标的包围盒投影至所述预设卷积神经网络模型中的低层卷积层中进行处理得到特征图；将所述特征图输入至兴趣区域池化层进行特征压缩，得到压缩后的特征图；将所述压缩后的特征图输入全连接层进行处理得到所述目标对应的回归后的包围盒。5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：获取用于建模的卷积神经网络训练集，所述卷积神经网络训练集包括包含目标的图像和不包含目标的图像，所述图像为从包含目标的视频中获取的；对所述图像进行标注，将所述图像中目标的实际包围盒内的值设置为第一值，将所述图像中目标的实际包围盒外的值设置为第二值；将所述卷积神经网络训练集输入初始化网络参数的卷积神经网络中进行训练得到所述图像中目标的包围盒；根据所述图像中目标的包围盒、标注出的实际包围盒及Softmax损失函数计算建模后的卷积神经网络的网络...

【专利技术属性】
技术研发人员：任杰，盛斌，施之皓，张本轩，杨靖，侯爽，
申请(专利权)人：上海体育学院，上海交通大学，
类型：发明
国别省市：上海,31