【技术实现步骤摘要】
基于深度网络和目标分割结合的目标跟踪方法及装置
[0001]本专利技术涉及计算机视觉跟踪
，具体涉及一种基于深度网络和目标分割结合的目标跟踪方法及装置。
技术介绍
[0002]人工智能发展迅速，机器对于各种信息的理解能力已经有了很大程度提升，其中计算机视觉是人工智能领域中的一个重要组成部分。目标跟踪问题是机器视觉领域中的一个关键问题，目标跟踪由于应用场景广泛也越来越被更多人重视。现阶段，计算机的计算能力日益增长，硬件设施的进一步完善不断推动人工智能领域发展，目标跟踪问题的研究越发被关注。
[0003]目前目标跟踪实用性前景宽广应用场景很多，是人工智能的重要组成部分。在日常生活中，包括火灾监控、交通事故监控、运动比赛的赛况分析、安防系统的跟踪功能设计等。但是，目前的目标跟踪领域也存在诸多难题和挑战，例如在跟踪过程中出现遮挡问题，画面分辨率低画面模糊问题，背景复杂有干扰因素出现等，以上问题的存在对跟踪算法要求较高。在目前的跟踪算法的研究中，能同时保证精确度和运行的速度，在这两个指标中做到均衡是主要的挑战。
...
【技术保护点】
【技术特征摘要】
1.基于深度网络和目标分割的高精度目标跟踪方法，其特征在于，包括以下步骤：步骤1、获取目标图像和全局图像，利用孪生网络算法对所述目标区域图像和全局图像进行目标跟踪，得到跟踪结果；利用目标检测算法对所述全局图像进行目标检测，得到检测结果；步骤2、检测同类间物体的跟踪漂移情况，利用基于目标跟踪轨迹的校正策略，对所述跟踪结果进行纠正；步骤3、在纠正后的跟踪结果和检测结果中进行择优选择，得到初步坐标位置；步骤4、利用分割算法对所述初步坐标位置进行分割，得到由若干轮廓节点组成的分割结果，得到最终的跟踪结果。2.根据权利要求1所述的方法，其特征在于，利用基于目标跟踪轨迹的校正策略，对所述跟踪结果进行纠正，包括：在同类物体数量超过预设值的情况下，利用基于轨迹的得分策略，对所述跟踪结果进行纠正；在同类物体数量未超过预设值的情况下，利用遍历校正策略，对所述跟踪结果进行纠正；所述遍历校正策略包括：当算法检测轨迹发生漂移，查询当前帧得分最高的物体位置并依次排列，得分最高且相近的位置则分别对应同类相似物体所在的位置；分别将对应位置进行遍历带入计算，计算轨迹漂移最小的即为纠正后的跟踪结果；所述基于轨迹的得分策略包括：当算法检测轨迹发生漂移，在孪生网络算法的得分计算中加入基于轨迹的校正函数，对得分进行校正，以抑制同类间跟踪漂移问题；其中，取距离当前帧最近的前五帧轨迹，坐标信息分别为：L1…
L5，当前帧坐标为L6；所述校正函数包括第一校正项D1和第二校正项D2，分别如下：，分别如下：，分别如下：其中，D1表示当前帧L6和上一帧L5之间的距离，与当前帧前五帧的平均间距L
平均
进行比较，如果当前帧位置偏移较大则进行校正；D2表示当前帧L6前五帧和上一帧L5前五帧之间的方差比较，如果当前帧L6前五帧方差较大则进行校正；ω1和ω2分别为第一修正项和第二修正项的权重；Score1和Score分别是孪生网络计算得到的初始得分和修正后的得分；s是修正参数。3.根据权利要求1所述的方法，其特征在于，在纠正后的跟踪结果和检测结果中进行择优选择，包括：利用择优选择算法进行择优选择，所述择优选择算法C(L1,L2)如下：
其中，L1为代表跟踪结果的方框，L2为代表检测结果中i个位置信息的一组方框，i为正整数；IoU表示代表检测结果的方框和代表跟踪结果方框之间的重合比例，计算公式如下所示：其中，表示代表跟踪结果的方框和代表检测结果中第i个定位信息的方框之间的重合比例，j为IoU对应的i值；公式如下：其中，为代表跟踪结果的方框的面积，为代表检测结果中的第i个位置信息的方框的面积。4.根据权利要求1所述的方法，其特征在于，所述利用分割算法对所述初步坐标位置进行分割，包括：采用基于深度网络的Snake分割算法对所述初步坐标位置进行分割，最终跟踪结果表示如下：L
(x,y)
＝Snake(L)；L＝{(Max(x
j
),Max(y
j
))，(Min(x
j
),Min(y
j
))}；其中，L
(x,y)
为分割后轮廓的若干节点坐标，L为代表最终跟踪结果的方框，该方框以分割后轮廓的若干节点坐标中一组节点坐标的最大值和最小值为左上角右下角；Max(x
j
)为分割后轮廓的若干节点坐标中横坐标最大值，Max(y
j
)为分割后轮廓的若干节点坐标中纵坐标最大值，Min(x
j
)为分割后轮廓的若干节点坐标中横坐标最小值，Min(y
j
)为分割后轮廓的若干节点坐标中纵坐标最小值。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。