目标对象的位置区域确定方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及目标对象的位置区域确定方法、装置、电子设备及存储介质，该方法通过获取图像序列；获取目标对象在图像序列的当前帧图像中的当前位置区域，并基于当前位置区域确定搜索区域；从当前位置区域确定第一特征信息；第一特征信息包括当前位置区域的语义信息；从搜索区域确定第二特征信息；第二特征信息包括搜索区域的语义信息；基于第一特征信息和第二特征信息确定相似程度值集合；从相似程度值集合确定目标相似程度值；基于目标相似程度值和当前位置区域的尺寸确定目标对象在下一帧图像中的位置区域。如此，通过学习到更高级的语义信息，可以提高对目标对象位置区域跟踪确定的准确度，可以提高目标对象的跟踪精度和鲁棒性。

Method, device, electronic equipment and storage medium for determining the location area of the target object

【技术实现步骤摘要】
目标对象的位置区域确定方法、装置、电子设备及存储介质
本申请涉及计算机视觉
，特别涉及一种目标对象的位置区域确定方法、装置、电子设备及存储介质。
技术介绍
目标跟踪是计算机领域十分重要的问题之一。特别是随着近些年来视频量的增加，对视频自动分析的要求不断增加，如何准确、鲁棒的跟踪视频中的目标变得更加迫切。传统算法如基于颜色、纹理等底层特征，通过训练分类器等对目标进行识别跟踪。近年来相关滤波算法在跟踪方面取得了很好的效果。随着深度学习的发展，人们将深度学习引入目标跟踪领域，其效果在很多方面都超过之前的算法。但很多深度学习算法在训练时直接将跟踪损失值作为目标进行训练，不能保证模型学习到更高级的信息，而这一信息对准确、鲁棒的进行跟踪具有重要的意义。因此，如何进一步改进深度学习算法，达到更好的跟踪效果已经成为这一领域的热点问题。
技术实现思路
本申请实施例提供了一种目标对象的位置区域确定方法、装置、电子设备及存储介质，可以学习到更高级的语义信息，可以提高对目标对象位置区域跟踪确定的准确度，可以提高目标对象的跟踪精本文档来自技高网...

【技术保护点】
1.一种目标对象的位置区域确定方法，其特征在于，包括：/n获取图像序列；所述图像序列包括连续多帧图像；/n获取目标对象在所述图像序列的当前帧图像中的当前位置区域；/n基于所述当前位置区域确定所述目标对象在所述当前帧图像的下一帧图像中的搜索区域；/n从所述当前位置区域确定第一特征信息；所述第一特征信息包括所述当前位置区域的语义信息；/n从所述搜索区域确定第二特征信息；所述第二特征信息包括所述搜索区域的语义信息；/n基于所述第一特征信息和所述第二特征信息确定相似程度值集合；/n从所述相似程度值集合确定目标相似程度值；/n基于所述目标相似程度值和所述当前位置区域的尺寸确定所述目标对象在所述下一帧图像...

【技术特征摘要】
1.一种目标对象的位置区域确定方法，其特征在于，包括：
获取图像序列；所述图像序列包括连续多帧图像；
获取目标对象在所述图像序列的当前帧图像中的当前位置区域；
基于所述当前位置区域确定所述目标对象在所述当前帧图像的下一帧图像中的搜索区域；
从所述当前位置区域确定第一特征信息；所述第一特征信息包括所述当前位置区域的语义信息；
从所述搜索区域确定第二特征信息；所述第二特征信息包括所述搜索区域的语义信息；
基于所述第一特征信息和所述第二特征信息确定相似程度值集合；
从所述相似程度值集合确定目标相似程度值；
基于所述目标相似程度值和所述当前位置区域的尺寸确定所述目标对象在所述下一帧图像中的位置区域。


2.根据权利要求1所述的方法，其特征在于，所述从所述当前位置区域确定第一特征信息，包括：
基于已训练的特征提取模型对所述当前位置区域进行特征提取，得到所述第一特征信息；
所述从所述搜索区域确定第二特征信息，包括：
基于所述已训练的特征提取模型对所述搜索区域进行特征提取，得到所述第二特征信息。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括获取所述已训练的特征提取模型的步骤；
所述获取所述已训练的特征提取模型，包括：
获取训练目标对象在第一训练图像中的第一位置区域、所述训练目标对象在第二训练图像中的第二位置区域和第一理想相似程度值；所述第二位置区域是基于所述第一位置区域在所述第二训练图像中确定的；
构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；所述预设机器学习模型包括特征提取模型和语义生成模型；
基于所述特征提取模型，对所述第一位置区域进行特征提取，得到第一底层特征信息；并对所述第一搜索区域进行特征提取，得到第二底层特征信息；
基于所述第一底层特征信息和所述第二底层特征信息确定第一训练相似程度值集合；
基于所述第一训练相似程度值集合和第一理想相似程度值确定第一损失值；
基于所述语义生成模型，对所述第一底层特征信息进行语义生成，得到第一语义信息；并对所述第二底层特征信息进行语义生成，得到第二语义信息；
基于所述第一语义信息和所述第二语义信息确定第二训练相似程度值集合；
基于所述第二训练相似程度值集合和第二理想相似程度值确定第二损失值；
将所述第一损失值和所述第二损失值相加，得到第三损失值；
当所述第三损失值大于预设阈值时，基于所述第三损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为所述当前机器学习模型；重复步骤：基于所述特征提取模型，对所述第一位置区域进行特征提取，得到第一底层特征信息；并对所述第一搜索区域进行特征提取，得到第二底层特征信息；
当所述第三损失值小于预设阈值时，将所述语义生成模型从所述当前机器学习模型中删除，得到已训练的特征提取模型，将所述第三损失值对应的当前参数作为所述已训练的特征提取模...

【专利技术属性】
技术研发人员：谷宇章，邱守猛，袁泽强，阮有志，杨洪业，张晓林，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：上海;31