目标跟踪方法、装置、电子装置和存储介质制造方法及图纸

本申请涉及一种目标跟踪方法、装置、电子装置和存储介质。其中，该目标跟踪方法包括：将待处理图像输入到预设的深度学习模型中，得到跟踪目标的初始检测区域图像；确定初始检测区域图像的质量参考值；响应于质量参考值小于预设参考值，从历史检测区域图像中确定出与初始检测区域图像匹配度最高的历史检测区域图像；基于确定出的历史检测区域图像，对初始检测区域图像进行修正，得到目标检测区域图像；基于目标检测区域图像，对跟踪目标进行跟踪。通过本申请，解决了相关技术中跟踪目标的跟踪轨迹连续性差的问题，提高了跟踪目标的跟踪轨迹连续性。续性。续性。

【技术实现步骤摘要】
目标跟踪方法、装置、电子装置和存储介质


[0001]本申请涉及图像处理领域，特别是涉及目标跟踪方法、装置、电子装置和存储介质。

技术介绍

[0002]随着数字社会化发展，图像数据在视频通讯，安防监控等领域有着不可替代的作用，多目标跟踪在各种应用系统当中起到了举足轻重的作用。多目标跟踪是将视频中每一帧的物体都赋予一个标识，并且得到每个标识的行为轨迹，其输入为视频序列，输出为物体的行为轨迹和标识。
[0003]跟踪算法是目标跟踪中的一个经典高效的方式，通过相似度(位置、外观、运动等信息)来关联检测框得到跟踪轨迹。由于视频中场景的复杂性，目标检测器无法得到完美的检测结果，漏检和虚检及检测框偏差在场景当中经常出现并且难以避免。为了处理漏检和虚检的问题，目前大部分跟踪方法会选择一个阈值，只保留高于这个阈值的检测结果来做关联得到跟踪结果，低于这个阈值的检测结果直接丢弃，这种方式的优势是很大程度上去除了虚检，但是又将低于这个阈值的检测结果直接丢弃，很容易去除真实目标的检测结果，进而造成了跟踪目标的跟踪轨迹连续性差。
[0004]针对相关技术中存在跟踪目标的跟踪轨迹连续性差的问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例中提供了一种目标跟踪方法、装置、电子装置和存储介质，以解决相关技术中跟踪目标的跟踪轨迹连续性差的问题。
[0006]第一个方面，在本实施例中提供了一种目标跟踪方法，包括：
[0007]将待处理图像输入到预设的深度学习模型中，得到跟踪目标的初始检测区域图像；
[0008]确定所述初始检测区域图像的质量参考值；
[0009]响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像；
[0010]基于确定出的所述历史检测区域图像，对所述初始检测区域图像进行修正，得到目标检测区域图像；
[0011]基于所述目标检测区域图像，对所述跟踪目标进行跟踪。
[0012]在其中的一些实施例中，所述初始检测区域图像包括：所述跟踪目标的N个构件区域图像，所述构件区域图像包括所述跟踪目标的至少一个构件；所述N为大于0的整数。
[0013]在其中的一些实施例中，确定所述初始检测区域图像的质量参考值包括：
[0014]确定所述初始检测区域图像中的所述N个构件区域图像；
[0015]确定所述N个构件区域图像中各个所述N个构件区域图像的子质量参考值；
[0016]基于确定的各个子质量参考值，确定所述初始检测区域图像的质量参考值。
[0017]在其中的一些实施例中，所述跟踪目标包括人体；所述N个构件区域图像包括：所述人体对应的头肩区域图像和躯干区域图像。
[0018]在其中的一些实施例中，响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像包括：
[0019]在所述初始检测区域图像的质量参考值小于第一子预设参考值的情况下，获取所述跟踪目标的头肩区域图像的头肩特征；
[0020]根据所述头肩特征，从历史检测区域确定出与所述头肩特征匹配度最高的关联躯干特征所对应的历史检测区域图像。
[0021]在其中的一些实施例中，响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像包括：
[0022]在所述初始检测区域图像的质量参考值小于第二子预设参考值的情况下，获取所述跟踪目标的头肩区域图像的头肩特征；
[0023]确定所述待处理图像中所述头肩特征的当前质量参考值，以及确定所述历史检测区域图像中所述头肩区域图像对应的平均头肩特征；
[0024]根据所述待处理图像中的所述头肩特征的当前质量参考值、所述头肩特征和所述平均头肩特征，得到目标头肩特征；
[0025]根据所述目标头肩特征，从历史检测区域确定出与所述目标头肩特征匹配度最高的躯干特征所对应的历史检测区域图像。
[0026]在其中的一些实施例中，基于所述目标检测区域图像，对所述跟踪目标进行跟踪包括：
[0027]将所述目标检测区域图像输入到预设的跟踪神经网络中，得到所述跟踪目标的跟踪轨迹；
[0028]根据所述跟踪轨迹，对所述跟踪目标进行跟踪。
[0029]在其中的一些实施例中，根据所述跟踪轨迹，对所述跟踪目标进行跟踪还包括；
[0030]确定所述跟踪轨迹的跟踪等级和所述初始检测区域图像的质量参考值所在的质量参考值等级区间；
[0031]根据所述跟踪轨迹的跟踪等级和所述初始检测区域图像的质量参考值所在的质量参考值等级区间，对所述跟踪目标进行跟踪。
[0032]第二个方面，在本实施例中提供了一种目标跟踪装置，其特征在于，包括：
[0033]输入模块，用于将待处理图像输入到预设的深度学习模型中，得到跟踪目标的初始检测区域图像；
[0034]第一确定模块，用于确定所述初始检测区域图像的质量参考值；
[0035]第二确定模块，用于响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像；
[0036]修正模块，用于基于确定出的所述历史检测区域图像，对所述初始检测区域图像进行修正，得到目标检测区域图像；
[0037]跟踪模块，用于基于所述目标检测区域图像，对所述跟踪目标进行跟踪。
[0038]第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在
所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的目标跟踪方法。
[0039]第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的目标跟踪方法。
[0040]与相关技术相比，在本实施例中提供目标跟踪方法、装置、电子装置和存储介质，通过将待处理图像输入到预设的深度学习模型中，得到跟踪目标的初始检测区域图像；确定初始检测区域图像的质量参考值；响应于质量参考值小于预设参考值，从历史检测区域图像中确定出与初始检测区域图像匹配度最高的历史检测区域图像；基于确定出的历史检测区域图像，对初始检测区域图像进行修正，得到目标检测区域图像；基于目标检测区域图像，对跟踪目标进行跟踪的方式，对跟踪目标进行补全，解决了相关技术中跟踪目标的跟踪轨迹连续性差的问题，提高了跟踪目标的跟踪轨迹连续性。
[0041]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0042]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0043]图1是本实施例的目标跟踪方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：将待处理图像输入到预设的深度学习模型中，得到跟踪目标的初始检测区域图像；确定所述初始检测区域图像的质量参考值；响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像；基于确定出的所述历史检测区域图像，对所述初始检测区域图像进行修正，得到目标检测区域图像；基于所述目标检测区域图像，对所述跟踪目标进行跟踪。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述初始检测区域图像包括：所述跟踪目标的N个构件区域图像，所述构件区域图像包括所述跟踪目标的至少一个构件；所述N为大于0的整数。3.根据权利要求2所述的目标跟踪方法，其特征在于，确定所述初始检测区域图像的质量参考值包括：确定所述初始检测区域图像中的所述N个构件区域图像；确定所述N个构件区域图像中各个所述N个构件区域图像的子质量参考值；基于确定的各个子质量参考值，确定所述初始检测区域图像的质量参考值。4.根据权利要求3所述的目标跟踪方法，其特征在于，所述跟踪目标包括人体；所述N个构件区域图像包括：所述人体对应的头肩区域图像和躯干区域图像。5.根据权利要求4所述的目标跟踪方法，其特征在于，响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像包括：在所述初始检测区域图像的质量参考值小于第一子预设参考值的情况下，获取所述跟踪目标的头肩区域图像的头肩特征；根据所述头肩特征，从历史检测区域确定出与所述头肩特征匹配度最高的关联躯干特征所对应的历史检测区域图像。6.根据权利要求2所述的目标跟踪方法，其特征在于，响应于所述质量参考值小于预设参考值，从历史检测区域图像中确定出与所述初始检测区域图像匹配度最高的历史检测区域图像包括：在所述初始检测区域图像的质量参考值小于第二子预设参考值的情况下，获取所述跟踪目标的头肩区域图像的头肩特征；确定所述...

【专利技术属性】
技术研发人员：叶乐乐，周祥明，张朋，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：