目标跟踪方法、装置、计算机装置及计算机存储介质制造方法及图纸

本发明专利技术属于图像处理技术领域，提供了一种目标跟踪方法、装置、计算机装置及存储介质。所述目标跟踪方法包括：利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。本发明专利技术提高了目标跟踪的鲁棒性和场景适应性。

【技术实现步骤摘要】
目标跟踪方法、装置、计算机装置及计算机存储介质
本专利技术涉及图像处理
，具体涉及一种目标跟踪方法、装置、计算机装置及计算机存储介质。
技术介绍
目标跟踪是指对视频或图像序列中的运动物体(例如交通视频中的汽车和行人)进行跟踪，得到运动物体在每一帧的位置。目标跟踪在视频监控、自动驾驶和视频娱乐等领域有广泛的应用。目前的目标跟踪主要采用了trackbydetection架构，在视频或图像序列的每帧图像上通过检测器检测出各个目标的位置信息，然后将当前帧的目标位置信息和前一帧的目标位置信息进行匹配。然而，现有方案目标跟踪的鲁棒性不高，如果光照发生变化，则跟踪效果不佳。
技术实现思路
鉴于以上内容，有必要提出一种目标跟踪方法、装置、计算机装置及计算机存储介质，其可以提高目标跟踪的鲁棒性和场景适应性。本申请的第一方面提供一种目标跟踪方法，所述方法包括：利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。另一种可能的实现方式中，所述目标检测器是加快区域卷积神经网络模型，所述加快区域卷积神经网络模型包括区域建议网络和快速区域卷积神经网络，所述加快区域卷积神经网络模型在检测所述图像中的预定类型目标之前按照以下步骤进行训练：第一训练步骤，使用Imagenet模型初始化所述区域建议网络，使用第一训练样本集训练所述区域建议网络；第二训练步骤，使用所述第一训练步骤中训练后的区域建议网络生成所述第一训练样本集中各个样本图像的候选框，利用所述候选框训练所述快速区域卷积神经网络；第三训练步骤，使用所述第二训练步骤中训练后的快速区域卷积神经网络初始化所述区域建议网络，使用所述第一训练样本集训练所述区域建议网络；第四训练步骤，使用所述第三训练步骤中训练后的区域建议网络初始化所述快速区域卷积神经网络，并保持所述卷积层固定，使用所述第一训练样本集训练所述快速区域卷积神经网络。另一种可能的实现方式中，所述加快区域卷积神经网络模型采用ZF框架，所述区域建议网络和所述快速区域卷积神经网络共享5个卷积层。另一种可能的实现方式中，所述预测器是构建有特征金字塔网络的深度神经网络模型。另一种可能的实现方式中，在所述利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框之前，所述方法还包括：使用第二训练样本集对所述预测器进行训练，所述第二训练样本集包括不同光照、形变和高速运动物体的样本图像。另一种可能的实现方式中，所述将所述当前图像中的第一目标框与所述预测框进行匹配包括：计算所述第一目标框与所述预测框的重叠面积比例，根据所述重叠面积比例确定每一对匹配的所述第一目标框与所述预测框；或计算所述第一目标框与所述预测框的中心点的距离，根据所述距离确定每一对匹配的所述第一目标框与所述预测框。另一种可能的实现方式中，所述根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置包括：若所述第一目标框与所述预测框匹配，则在所述当前图像中将所述第一目标框的位置作为所述预测框对应的目标更新后的位置；若所述第一目标框与任意所述预测框不匹配，则在所述当前图像中将所述第一目标框的位置作为新的目标的位置；若所述预测框与任意所述第一目标框不匹配，则在所述当前图像中将所述预测框对应的目标作为丢失的目标。本申请的第二方面提供一种目标跟踪装置，所述装置包括：检测模块，用于利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；预测模块，用于获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；匹配模块，用于将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；更新模块，用于根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述目标跟踪方法。本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述目标跟踪方法。本专利技术利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。本专利技术提高了目标跟踪的鲁棒性和场景适应性。附图说明图1是本专利技术实施例提供的目标跟踪方法的流程图。图2是本专利技术实施例提供的目标跟踪装置的结构图。图3是本专利技术实施例提供的计算机装置的示意图。图4是SiamFC模型的示意图。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。优选地，本专利技术的目标跟踪方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、可编程门阵列(Field－ProgrammableGateArray，FPGA)、数字处理器(DigitalSignalProcessor，DSP)、嵌入式设备等。所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。实施例一图1是本专利技术实施例一提供的目标跟踪方法的流程图。所述目标跟踪方法应用于计算机装置。本专利技术目标跟踪方法对视频或图像序列中特定类型的运动物体(例如行人)进行跟踪，得到运动物体在每一帧图像中的位置。所述目标跟踪方法可以解决现有方案无法对高速运动的目标进行跟踪的缺点，提高了目标跟踪的鲁棒性。如图1所示，所述目标跟踪方法包括：步骤101，利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框。所述本文档来自技高网...

【技术保护点】
1.一种目标跟踪方法，其特征在于，所述方法包括：利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，所述方法包括：利用目标检测器检测当前图像中的预定类型目标，得到所述当前图像中的第一目标框；获取所述当前图像的前一帧图像中的第二目标框，利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框；将所述当前图像中的第一目标框与所述预测框进行匹配，得到所述第一目标框与所述预测框的匹配结果；根据所述第一目标框与所述预测框的匹配结果，在所述当前图像中更新目标的位置。2.如权利要求1所述的方法，其特征在于，所述目标检测器是加快区域卷积神经网络模型，所述加快区域卷积神经网络模型包括区域建议网络和快速区域卷积神经网络，所述加快区域卷积神经网络模型在检测所述图像中的预定类型目标之前按照以下步骤进行训练：第一训练步骤，使用Imagenet模型初始化所述区域建议网络，使用第一训练样本集训练所述区域建议网络；第二训练步骤，使用所述第一训练步骤中训练后的区域建议网络生成所述第一训练样本集中各个样本图像的候选框，利用所述候选框训练所述快速区域卷积神经网络；第三训练步骤，使用所述第二训练步骤中训练后的快速区域卷积神经网络初始化所述区域建议网络，使用所述第一训练样本集训练所述区域建议网络；第四训练步骤，使用所述第三训练步骤中训练后的区域建议网络初始化所述快速区域卷积神经网络，并保持所述卷积层固定，使用所述第一训练样本集训练所述快速区域卷积神经网络。3.如权利要求2所述的方法，其特征在于，所述加快区域卷积神经网络模型采用ZF框架，所述区域建议网络和所述快速区域卷积神经网络共享5个卷积层。4.如权利要求1所述的方法，其特征在于，所述预测器是构建有特征金字塔网络的深度神经网络模型。5.如权利要求1所述的方法，其特征在于，在所述利用预测器预测所述第二目标框在所述当前图像中的位置，得到所述第二目标框在所述当前图像中的预测框之前，所述方法还包括：使用第二训练样...

【专利技术属性】
技术研发人员：杨国青，
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