目标跟踪装置、方法及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的目标跟踪装置，包括存储器和处理器，存储器上存储有可在处理器上运行的目标跟踪程序，该程序被处理器执行时实现步骤：按照采样点分布从视频帧图像上采集图片样本，并记录图片样本的位置坐标；基于CNN模型从图片样本中提取样本特征，并根据样本特征计算图片样本与跟踪目标的置信度；根据置信度调整图片样本的权重，根据位置坐标和权重计算跟踪目标的位置坐标；根据位置坐标从视频帧图像采集正样本和负样本以训练样本集训练CNN模型，进而更新CNN模型的模型参数；重复上述步骤，直至完成视频的跟踪。本发明专利技术还提出一种基于卷积神经网络的目标跟踪方法以及一种计算机可读存储介质。本发明专利技术提高了目标跟踪的准确度。

【技术实现步骤摘要】
目标跟踪装置、方法及计算机可读存储介质
本专利技术涉及图像识别
，尤其涉及一种基于卷积神经网络的目标跟踪装置、方法及计算机可读存储介质。
技术介绍
计算机目标跟踪是视频监控等实际应用中的重要组成部分，目标跟踪是指对视频中的运动目标(例如行人、车辆等)的进行准确定位、跟踪，并且推测目标的轨迹。目标跟踪作为计算机视觉领域中的一个重要课题，在视频监控、目标识别、视频信息发现等方面有重要的价值。随着大量目标跟踪算法的提出，目标跟踪技术得到了快速地发展，但是由于在实际跟踪中，目标跟踪任务存在很多现实困难，例如物体遮挡、视角变化、目标形变、周围光照变化以及难以预料的复杂的背景情况，而现有的目标跟踪算法多是利用目标与背景的差异构建分类模型，把目标从背景中分离出来，对目标进行跟踪，但是这种跟踪算法在跟踪过程中难以适应上述提到的目标及背景的变化，例如目标被部分遮挡，或者相似背景干扰等问题，造成目标的错误跟踪，导致目标跟踪准确度低。
技术实现思路
本专利技术提供一种基于卷积神经网络的目标跟踪装置、方法及计算机可读存储介质，其主要目的在于在跟踪过程中对模型进行动态的更新，以适应目标和背景的变化，提高目标跟踪的准确度。为实现上述目的，本专利技术提供一种基于卷积神经网络的目标跟踪装置，该装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的目标跟踪程序，所述目标跟踪程序被所述处理器执行时实现如下步骤：A、按照采样点分布从视频帧图像上采集多个图片样本，并记录各个图片样本的位置坐标；B、基于卷积神经网络CNN模型从所述多个图片样本中对应地提取多个样本特征，并分别根据提取的样本特征分别计算每一图片样本与跟踪目标之间的置信度；C、根据计算得出的置信度调整对应图片样本的权重，并根据所有图片样本的位置坐标和调整后的权重计算所述跟踪目标在所述视频帧图像上的位置坐标；D、根据所述位置坐标从所述视频帧图像上采集所述跟踪目标的正样本和负样本；E、根据所述正样本和负样本更新所述CNN模型的训练样本集，并使用更新后的训练样本集训练所述CNN模型以更新所述CNN模型的模型参数；F、重复执行步骤A至E，直至完成对视频的所有视频帧图像中跟踪目标的跟踪。可选地，所述步骤D包括：采集位于所述位置坐标的周边区域内的第一预设数量的图片样本作为正样本，其中，所述周边区域为与所述位置坐标之间的距离小于第一预设阈值的点构成的区域；采集位于所述位置坐标的远离区域内的第二预设数量的图片样本作为负样本，其中，所述远离区域为与所述位置坐标之间的距离大于第二预设阈值的点构成的区域，所述第二预设阈值大于所述第一预设阈值。可选地，所述处理器还用于执行所述目标跟踪程序，以在步骤E之后，还实现如下步骤：G、根据调整后的权重调整采样点在视频帧图像上的位置，以更新采样点分布；所述步骤F包括：重复执行步骤A至G，直至完成对视频的所有视频帧图像中的跟踪目标的跟踪。可选地，所述步骤G包括：在权重大于第一预设权重的样本对应的采样点的第一预设范围内增加采样点，在权重小于第二预设权重的样本对应的采样点的第二预设范围内减少采样点，其中，所述第二预设权重小于所述第一预设权重，增加的采样点的数量等于减少的采样点的数量。可选地，所述处理器还用于执行所述目标跟踪程序，以实现如下步骤：判断所述视频帧图像是否为所述视频的第一帧图像；若所述视频帧图像为所述视频的第一帧图像，则提示用户在所述视频帧图像上手动选择跟踪目标并接收用户基于所述提示选择的跟踪目标，并在确定所述跟踪目标后，初始化采样点分布和所述CNN模型的训练样本集并接收第二帧图像；若所述视频图像不是所述视频的第一帧图像，则执行所述步骤A。此外，为实现上述目的，本专利技术还提供一种基于卷积神经网络的目标跟踪方法，该方法包括：A、按照采样点分布从视频帧图像上采集多个图片样本，并记录各个图片样本的位置坐标；B、基于卷积神经网络CNN模型从所述多个图片样本中对应地提取多个样本特征，并分别根据提取的样本特征分别计算每一图片样本与跟踪目标之间的置信度；C、根据计算得出的置信度调整对应图片样本的权重，并根据所有图片样本的位置坐标和权重计算所述跟踪目标在所述视频帧图像上的位置坐标；D、根据所述位置坐标从所述视频帧图像上采集所述跟踪目标的正样本和负样本；E、根据所述正样本和负样本更新所述CNN模型的训练样本集，并使用更新后的训练样本集训练所述CNN模型以更新所述CNN模型的模型参数；F、重复执行步骤A至E，直至完成对视频的所有视频帧图像中跟踪目标的跟踪。可选地，所述步骤D包括：采集位于所述位置坐标的周边区域内的第一预设数量的图片样本作为正样本，其中，所述周边区域为与所述位置坐标之间的距离小于第一预设阈值的点构成的区域；采集位于所述位置坐标的远离区域内的第二预设数量的图片样本作为负样本，其中，所述远离区域为与所述位置坐标之间的距离大于第二预设阈值的点构成的区域，所述第二预设阈值大于所述第一预设阈值。可选地，在步骤E之后，该方法还包括：G、根据调整后的权重调整采样点在视频帧图像上的位置，以更新采样点分布；所述步骤F包括：重复执行步骤A至G，，直至完成对视频的所有视频帧图像中的跟踪目标的跟踪。可选地，所述步骤G包括：在权重大于第一预设权重的样本对应的采样点的第一预设范围内增加采样点，在权重小于第二预设权重的样本对应的采样点的第二预设范围内减少采样点，其中，所述第二预设权重小于所述第一预设权重，增加的采样点的数量等于减少的采样点的数量。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有目标跟踪程序，所述目标跟踪程序可被至少一个处理器执行，以实现如上所述的基于卷积神经网络的目标跟踪方法的步骤。本专利技术提出的基于卷积神经网络的目标跟踪装置、方法及计算机可读存储介质，对视频中的视频帧图像进行逐帧识别，按照采样点分布从视频帧图像上采集多个图片样本，并记录各个图片样本的位置坐标，基于CNN模型从多个样本图片对应地提取多个样本特征，根据提取的样本特征计算各个图片样本与跟踪目标之间的置信度，根据置信度对应的调整样本的权重，进而根据样本的位置坐标和权重计算跟踪目标在该视频帧图像上的位置坐标，并且根据该位置坐标从视频帧图像上采集跟踪目标的正样本和负样本，使用采集的样本重新训练CNN模型以更新模型参数，使用更新模型参数后的模型继续对下一帧图像跟踪，以此类推，在得到每一帧图像的跟踪结果后，根据跟踪结果对模型进行更新，使得在跟踪目标发生变化时，更新后的模型能够适应目标及背景的变化，即使图像中出现部分遮挡、背景干扰等现象时，也能够成功的进行目标的跟踪，提高目标跟踪的准确度。附图说明图1为本专利技术基于卷积神经网络的目标跟踪装置较佳实施例的示意图；图2为本专利技术基于卷积神经网络的目标跟踪装置一实施例中目标跟踪程序的功能模块示意图；图3为本专利技术基于卷积神经网络的目标跟踪方法较佳实施例的流程图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种基于卷积神经网络的目标跟踪装置。参照图1所示，为本专利技术基于卷积神经网络的目标跟踪装置较佳实施例的示意图。在本实施例中，基于卷本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的目标跟踪装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的目标跟踪程序，所述目标跟踪程序被所述处理器执行时实现如下步骤：A、按照采样点分布从视频帧图像上采集多个图片样本，并记录各个图片样本的位置坐标；B、基于卷积神经网络CNN模型从所述多个图片样本中对应地提取多个样本特征，并分别根据提取的样本特征分别计算每一图片样本与跟踪目标之间的置信度；C、根据计算得出的置信度调整对应图片样本的权重，并根据所有图片样本的位置坐标和调整后的权重计算所述跟踪目标在所述视频帧图像上的位置坐标；D、根据所述位置坐标从所述视频帧图像上采集所述跟踪目标的正样本和负样本；E、根据所述正样本和负样本更新所述CNN模型的训练样本集，并使用更新后的训练样本集训练所述CNN模型以更新所述CNN模型的模型参数；F、重复执行步骤A至E，直至完成对视频的所有视频帧图像中跟踪目标的跟踪。

【技术特征摘要】
1.一种基于卷积神经网络的目标跟踪装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的目标跟踪程序，所述目标跟踪程序被所述处理器执行时实现如下步骤：A、按照采样点分布从视频帧图像上采集多个图片样本，并记录各个图片样本的位置坐标；B、基于卷积神经网络CNN模型从所述多个图片样本中对应地提取多个样本特征，并分别根据提取的样本特征分别计算每一图片样本与跟踪目标之间的置信度；C、根据计算得出的置信度调整对应图片样本的权重，并根据所有图片样本的位置坐标和调整后的权重计算所述跟踪目标在所述视频帧图像上的位置坐标；D、根据所述位置坐标从所述视频帧图像上采集所述跟踪目标的正样本和负样本；E、根据所述正样本和负样本更新所述CNN模型的训练样本集，并使用更新后的训练样本集训练所述CNN模型以更新所述CNN模型的模型参数；F、重复执行步骤A至E，直至完成对视频的所有视频帧图像中跟踪目标的跟踪。2.根据权利要求1所述的基于卷积神经网络的目标跟踪装置，其特征在于，所述步骤D包括：采集位于所述位置坐标的周边区域内的第一预设数量的图片样本作为正样本，其中，所述周边区域为与所述位置坐标之间的距离小于第一预设阈值的点构成的区域；采集位于所述位置坐标的远离区域内的第二预设数量的图片样本作为负样本，其中，所述远离区域为与所述位置坐标之间的距离大于第二预设阈值的点构成的区域，所述第二预设阈值大于所述第一预设阈值。3.根据权利要求1或2所述的基于卷积神经网络的目标跟踪装置，其特征在于，所述处理器还用于执行所述目标跟踪程序，以在步骤E之后，还实现如下步骤：G、根据调整后的权重调整采样点在视频帧图像上的位置，以更新采样点分布；所述步骤F包括：重复执行步骤A至G，直至完成对视频的所有视频帧图像中的跟踪目标的跟踪。4.根据权利要求3所述的基于卷积神经网络的目标跟踪装置，其特征在于，所述步骤G包括：在权重大于第一预设权重的样本对应的采样点的第一预设范围内增加采样点，在权重小于第二预设权重的样本对应的采样点的第二预设范围内减少采样点，其中，所述第二预设权重小于所述第一预设权重，增加的采样点的数量等于减少的采样点的数量。5.根据权利要求1所述的基于卷积神经网络的目标跟踪装置，其特征在于，所述处理器还用于执行所述目标跟踪程序，以在步骤A之前，还实现如下步骤：判断所述视频帧图像是否为所述视频的第一帧图像；若所述视频帧图像为所述视频的第一帧图像，则提示用户在所述视频帧...

【专利技术属性】
技术研发人员：周舒意，王建明，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44