轨迹获取方法、装置、计算机设备及存储介质制造方法及图纸

本申请涉及一种轨迹获取方法、装置、计算机设备及存储介质，该方法包括：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。本申请的方案，能够提高轨迹特征获取的准确性。

Trajectory Acquisition Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
轨迹获取方法、装置、计算机设备及存储介质
本专利技术涉及计算机
，特别是涉及一种轨迹获取方法、装置、计算机设备及存储介质。
技术介绍
随着科学技术的飞速发展，大量先进技术不断涌现。图像识别技术即为目前比较重要的一项技术，在日常生活和工作中的应用越来越广泛。通常，通过图像识别技术，可以识别目标对象的轨迹。传统方法中，是使用一个完整的卷积神经网络通过深层卷积处理，输出图像序列中每一帧图像的单图特征，然后再对单图特征进行融合得到轨迹特征。由于，传统方法在在网络深层提取特征后再进行融合，挖掘的更多的是对象自身的特征，所以，挖掘的信息不够全面。进而，导致生成的轨迹特征不够准确。
技术实现思路
基于此，有必要针对传统方法生成的轨迹特征不够准确的问题，提供一种轨迹获取方法、装置、计算机设备及存储介质。一种轨迹获取方法，所述方法包括：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。在其中一个实施例中，所述从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图包括：将所述图像帧序列中的各图像帧，分别输入预先训练的深度网络模型的浅层网络层中，通过所述浅层网络层分别对各图像帧进行卷积处理，得到所述目标对象的初始特征图。在其中一个实施例中，所述深度网络模型为残差网络模型；所述浅层网络层中包括第一残差块和第二残差块；所述通过所述浅层网络层分别对各图像帧进行卷积处理，得到所述目标对象的初始特征图包括：通过所述第一残差块分别对各图像帧进行卷积处理；将所述第一残差块卷积处理的结果，输入所述第二残差块进行卷积处理，得到所述目标对象的初始特征图。在其中一个实施例中，所述对各所述初始特征图进行特征提取，得到深度特征图包括：将各所述初始特征图输入所述深度网络模型的深层网络层中，通过所述深层网络层分别对各所述初始特征图进行卷积处理，得到所述目标对象的深度特征图。在其中一个实施例中，所述融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征包括：将所述第一轨迹特征图输入所述深度网络模型的深层网络层中，通过所述深层网络层对所述第一轨迹特征图进行卷积处理；对卷积处理后的轨迹特征图和所述第二轨迹特征图进行池化处理，融合得到最终的轨迹特征图；根据最终的所述轨迹特征图，确定所述目标对象的轨迹特征。在其中一个实施例中，所述根据最终的所述轨迹特征图，确定所述目标对象的轨迹特征包括：将最终的所述轨迹特征图输入所述深度网络模型的全局池化层中，进行平均池化处理；将平均池化处理后的轨迹特征图输入全连接层中，输出所述目标对象的轨迹特征向量。在其中一个实施例中，所述将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图包括：提取各所述深度特征图的特征；根据提取的所述特征，确定各所述深度特征图的特征权重；将各所述深度特征图按相应特征权重进行加权平均，得到所述目标对象的第二轨迹特征图。在其中一个实施例中，所述根据提取的所述特征，确定各所述深度特征图的特征权重包括：根据提取的特征对各所述深度特征图进行分类，得到各所述深度特征图属于所述目标对象的分类概率；根据所述分类概率，确定各所述深度特征图的特征权重；所述特征权重的大小与所述分类概率正相关。在其中一个实施例中，所述方法还包括：获取待检索的视频中各候选对象的轨迹特征；将所述目标对象的轨迹特征与各候选对象的轨迹特征进行匹配；将匹配的轨迹特征在所述视频中所属的候选对象，识别为所述目标对象。在其中一个实施例中，所述轨迹特征为轨迹特征向量；所述将所述目标对象的轨迹特征与各候选对象的轨迹特征进行匹配包括：确定目标对象的轨迹特征向量和各候选对象的轨迹特征向量之间的距离；根据所述距离，确定所述目标对象的轨迹特征向量和各候选对象的轨迹特征向量之间的相似度；判定相似度满足预设相似条件的轨迹特征向量之间相匹配。在其中一个实施例中，所述获取具有时序的图像帧序列包括：获取上传的待识别视频；确定所述待识别视频中的目标对象；解析所述待识别视频，得到具有时序的、且包括所述目标对象的图像帧序列。一种轨迹获取装置，所述装置包括：获取模块，用于获取具有时序的图像帧序列；特征提取模块，用于从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；融合模块，用于按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；所述特征提取模块还用于对各所述初始特征图进行特征提取，得到深度特征图；所述融合模块还用于将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。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计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。上述轨迹获取方法、装置、计算机设备及存储介质，从具有时序的各图像帧中提取到目标对象的初始特征图后，可以先对初始特征图按时序融合，由于初始特征图是在浅层提取的特征，所以，初始特征图的时序融合，能够较好地体现目标对象的轨迹信息。进而，对各初始特征图进一步进行特征提取，得到深度特征图，将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图。由于，深度特征图，是在初始特征图的基础上进一步进行特征挖掘得到的，所以，由深度特征图进行时序融合得到的第二轨迹特征图，在体现目标对象的轨迹以外，能够较充分地挖掘目标对象的特征。因此，融合第一轨迹特征图和第二轨迹特征图，得到目标对象的轨迹特征，能够既保证对目标对象的特征的深度挖掘，又能够充分挖掘目标对象的轨迹信息，因此，最终融合得到的目标对象的轨迹特征更加准确。附图说明图1为一个实施例中轨迹获取方法的应用场景图；图2为一个实施例中轨迹获取方法的流程示意图；图3为一个实施例中深度网络模型的结构框图；图4为一个实施例中确定特征权重的示意图；图5为一个实施例中目标对象检索的界面示意图；图6为另一个实施例中轨迹获取方法本文档来自技高网...

【技术保护点】
1.一种轨迹获取方法，所述方法包括：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。

【技术特征摘要】
1.一种轨迹获取方法，所述方法包括：获取具有时序的图像帧序列；从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图；按所述时序融合各所述初始特征图，得到所述目标对象的第一轨迹特征图；对各所述初始特征图进行特征提取，得到深度特征图；将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图；融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征。2.根据权利要求1所述的方法，其特征在于，所述从所述图像帧序列的各图像帧中提取目标对象的特征，得到所述目标对象的初始特征图包括：将所述图像帧序列中的各图像帧，分别输入预先训练的深度网络模型的浅层网络层中，并通过所述浅层网络层分别对各图像帧进行卷积处理，得到所述目标对象的初始特征图。3.根据权利要求2所述的方法，其特征在于，所述深度网络模型为残差网络模型；所述浅层网络层中包括第一残差块和第二残差块；所述通过所述浅层网络层分别对各图像帧进行卷积处理，得到所述目标对象的初始特征图包括：通过所述第一残差块分别对各图像帧进行卷积处理；将所述第一残差块卷积处理的结果，输入所述第二残差块进行卷积处理，得到所述目标对象的初始特征图。4.根据权利要求2所述的方法，其特征在于，所述对各所述初始特征图进行特征提取，得到深度特征图包括：将各所述初始特征图输入所述深度网络模型的深层网络层中，通过所述深层网络层分别对各所述初始特征图进行卷积处理，得到所述目标对象的深度特征图。5.根据权利要求4所述的方法，其特征在于，所述融合第一轨迹特征图和第二轨迹特征图，得到所述目标对象的轨迹特征包括：将所述第一轨迹特征图输入所述深度网络模型的深层网络层中，通过所述深层网络层对所述第一轨迹特征图进行卷积处理；对卷积处理后的轨迹特征图和所述第二轨迹特征图进行池化处理，融合得到最终的轨迹特征图；根据最终的所述轨迹特征图，确定所述目标对象的轨迹特征。6.根据权利要求5所述的方法，其特征在于，所述根据最终的所述轨迹特征图，确定所述目标对象的轨迹特征包括：将最终的所述轨迹特征图输入所述深度网络模型的全局池化层中，进行平均池化处理；将平均池化处理后的轨迹特征图输入全连接层中，输出所述目标对象的轨迹特征向量。7.根据权利要求1所述的方法，其特征在于，所述将各深度特征图按所述时序融合，得到所述目标对象的第二轨迹特征图包括：提取各所述深度特征图的特征；根据提取的所述特征，确定各所述深度特征图的特征权重；将各所述深度特征图按相应特征权重进行加权平均，得到所述目标对象的第二轨迹特...

【专利技术属性】
技术研发人员：蒋忻洋，孙星，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44