一种基于深度光流的目标跟踪方法技术

本发明专利技术公开了一种基于深度光流的目标跟踪方法，属于目标跟踪技术领域，包括S31、选择初始跟踪图像作为前一帧图像；S32、将前一帧图像和当前帧图像组成运动图像对输入深度神经网络模型，预测当前帧图像中所有目标的位置及相应的运动光流场；S33、根据当前帧图像中所有目标的位置及相应的运动光流场，对前一帧图像中待跟踪目标位置进行更新，得到更新后的帧图像；S34、将更新后的帧图像作为前一帧图像，并重复执行步骤S32～S33，实现目标的持续跟踪。本发明专利技术在不增加计算代价下，实现端到端的目标检测跟踪。检测跟踪。检测跟踪。

【技术实现步骤摘要】
一种基于深度光流的目标跟踪方法


[0001]本专利技术涉及目标跟踪
，特别涉及一种基于深度光流的目标跟踪方法。

技术介绍

[0002]目标跟踪是指根据感兴趣目标在前一帧图像中的边界位置，依据时空关联性确定该目标在当前帧图像中边界位置，它是计算机视觉领域的核心技术，应用领域非常广泛，是许多下游应用的必备技术，例如，动作分析、行为识别、监控和人机交互等。
[0003]目前，目标跟踪技术主要分为2大类，具体如下：
[0004](1)基于传统技术的目标跟踪技术，代表技术主要有卡尔曼滤波跟踪、光流法跟踪、模板匹配跟踪、TLD跟踪、CT跟踪、KCF跟踪等。该类技术的优点是原理简单，运行速度较快，在较简单场景下可以取得不错的效果，适合短时跟踪；其不足的地方是鲁棒性较差，在稍微复杂些的场景下易跟丢目标和跟错目标，无法适应长时间跟踪。
[0005](2)基于深度学习技术的目标跟踪技术，该类技术主要采用目标检测加目标匹配的策略完成目标跟踪过程。其过程是借助强大的基于深度学习目标检测框架(如：faster
‑
rcnn、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度光流的目标跟踪方法，其特征在于，包括：S31、选择初始跟踪图像作为前一帧图像；S32、将前一帧图像和当前帧图像组成运动图像对输入深度神经网络模型，预测当前帧图像中所有目标的位置及相应的运动光流场；S33、根据当前帧图像中所有目标的位置及相应的运动光流场，对前一帧图像中待跟踪目标位置进行更新，得到更新后的帧图像；S34、将更新后的帧图像作为前一帧图像，并重复执行步骤S32～S33，实现目标的持续跟踪。2.如权利要求1所述的基于深度光流的目标跟踪方法，其特征在于，所述深度神经网络模型包括特征提取模块、检测模块和光流模块；特征提取模块用于获取所述运动图像对的高层特征图；检测模块用于根据高层特征图，预测所述当前帧图像中是否存在目标以及所有目标的位置；光流模块用于基于高层特征图，预测所述运动图像对的运动光流场。3.如权利要求2所述的基于深度光流的目标跟踪方法，其特征在于，所述特征提取模块包括拼接层concat、主干网络backbone、特征金字塔网络FPN和输出特征层out_feature1、out_feature2，所述运动图像对作为拼接层concat的输入，拼接层concat将所述运动图像对按照通道维度进行拼接并输出拼接图，拼接层concat输出经主干网络backbone与特征金字塔网络FPN连接，特征金字塔网络FPN输出融合有不同尺度特征的特征图，并经输出特征层out_feature1、out_feature2输出。4.如权利要求3所述的基于深度光流的目标跟踪方法，其特征在于，所述检测模块包括卷积层dconv1_0、dconv2_0、dconv1_1、dconv2_1及目标信息解析层yolo，所述输出特征层out_feature1和所述输出特征层out_feature2的输出分别连接卷积层dconv1_0、dconv2_0，卷积层dconv1_0、dconv2_0分别经卷积层dconv1_1、dconv2_1连接目标信息解析层yolo，目标信息解析层yolo用于提取有效的目标位置信息。5.如权利要求3所述的基于深度光流的目标跟踪方法，其特征在于，所述光流检测模块输出为运动图像对的前向光流场和后向光流场，所述光流检测模块包括拼接层concat1、上采样层upsample0、upsample1、upsample2和卷积层lconv0、lconv1、lconv2、lconv3；所述输出特征层out_feature1、out_feature2分别与拼接层concat1、上采样层upsample0连接，上采样层upsample0与拼接层concat1连接，拼接层concat1、上采样层upsample1、卷积层lcon...

【专利技术属性】
技术研发人员：张卡，何佳，尼秀明，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：