基于神经网络的对象跟踪方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种基于神经网络的对象跟踪方法、装置、设备及存储介质，通过当前行车图像；利用预设卷积神经网络模型对当前行车图像进行图像识别，获得目标对象的图像识别结果，然后根述图像识别结果判断目标对象是否为跟踪对象；若是则对目标对象进行跟踪。由于是通过基于深度学习的卷积神经网络模型来对行车图像进行识别，然后根据识别结果来确定跟踪对象，能够保证对象跟踪的准确性。同时，由于采用的神经网络模型是由用于进行图像特征提取且包含带下采样卷积层的第一阶段和用于进行图像类别预测的第二阶段构成的精简神经网络，从而使得运行该神经网络的嵌入式设备不受计算量与内存带宽的限制，保证了图像识别算法的速度与精度要求。度与精度要求。度与精度要求。

【技术实现步骤摘要】
基于神经网络的对象跟踪方法、装置、设备及存储介质


[0001]本专利技术涉及机器视觉
，尤其涉及一种基于神经网络的对象跟踪方法、装置、设备及存储介质。

技术介绍

[0002]卷积神经网络，是由卷积等算子组成，且具有深度结构的神经网络算法，是深度学习的代表算法之一，广泛应用于机器视觉以及图像识别领域。基于卷积神经网络的图像识别，需要大量的计算量与内存访问。在嵌入式设备上，计算量与内存带宽受限，现有的卷积神经网络，无法满足嵌入式设备上的图像识别算法的速度与精度要求。
[0003]在自动驾驶领域，前方碰撞预警技术是高级驾驶辅助系统的一种技术，通过传感器判断本车与前车之间的距离、相对速度，当存在潜在碰撞风险时对驾驶者进行警告。前方碰撞预警技术可以有效提高行车甘泉，降低交通事故的发生，减少经济损失。
[0004]前方碰撞预警技术中，对目标进行跟踪是较为重要的一环。现有的对象跟踪技术，受限于嵌入式设备的算力，无法采用基于深度学习的跟踪技术来进行对象跟踪，不能满足对象跟踪的实际需求。
[0005]上述内容仅用于辅助理解本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的对象跟踪方法，其特征在于，所述基于卷积神经网络的图像识别方法包括：获取行车记录仪采集的当前行车图像；通过预设卷积神经网络模型对所述当前行车图像进行图像识别，以获得目标对象的图像识别结果，所述预设卷积神经网络模型包括用于进行图像特征提取的第一阶段和用于进行图像类别预测的第二阶段，所述第一阶段包含带下采样的卷积层；根据所述图像识别结果判断所述目标对象是否为跟踪对象；在所述目标对象为跟踪对象时，对所述目标对象进行跟踪。2.如权利要求1所述的基于神经网络的对象跟踪方法，其特征在于，所述带下采样的卷积层包括单卷积层模块、常规残差模块以及瓶颈残差模块；所述通过预设卷积神经网络模型对所述当前行车图像进行图像识别，以获得目标对象的图像识别结果的步骤，包括：依次通过所述单卷积层模块、所述常规残差模块以及所述瓶颈残差模块对所述当前行车图像中的图像特征进行下采样，获得目标图像特征；通过所述第二阶段根据所述目标图像特征进行图像类别预测，以获得目标对象的图像识别结果。3.如权利要求2所述的基于神经网络的对象跟踪方法，其特征在于，所述第二阶段包括平均池化层、全连接层以及Softmax层；所述通过所述第二阶段根据所述目标图像特征进行图像类别预测，以获得目标对象的图像识别结果的步骤，包括：通过所述平均池化层对所述目标图像特征进行池化操作，获得降维后的图像特征；通过所述全连接层对所述降维后的图像特征进行向量转化，获得图像特征向量；通过所述Softmax层根据所述图像特征向量生成所述目标对象的图像识别结果。4.如权利要求1所述的基于神经网络的对象跟踪方法，其特征在于，所述获取行车记录仪采集的当前行车图像的步骤之前，所述方法还包括：获取待训练的初始卷积神经网络模型，以及预设图像训练集；根据所述预设图像训练集对所述初始卷积神经网络模型进行预训练，获得预训练的卷积神经网络模型；根据所述预训练的卷积神经网络模型对用于图像识别的卷积神经网络模型进行初始化，以获得预设卷积神经网络模型。5.如权利要求4所述的基于神经网络的对象跟踪方法，其特征在于，所述根据所述预训练的卷积神经网络模型对用于...

【专利技术属性】
技术研发人员：李鑫，
申请(专利权)人：北京鸿享技术服务有限公司，
类型：发明
国别省市：