【技术实现步骤摘要】
目标跟踪方法、装置、电子设备及存储介质
[0001]本申请实施例涉及计算机视觉领域，特别涉及一种目标跟踪方法、装置、电子设备及存储介质。
技术介绍
[0002]随着各种高质量数据集的出现和机器学习与深度学习的研究发展，涌现了大量优秀的目标跟踪算法，人工智能与计算机视觉领域内的诸多应用也因此得以落地实现。基于无人机等航空跟踪平台已经从理论研究阶段逐步发展到实际应用阶段，核心技术更迭愈来愈快，成为未来主要的航空遥感技术之一。
[0003]相关技术中，对于挑战场景的目标跟踪仍难以实现精准定位。例如，在航拍跟踪平台应用中，由于空中航拍场景下的目标尺度变化大、拍摄设备快速移动、光照变化剧烈等，相关技术中的目标跟踪方法难以对目标实现精准定位。
技术实现思路
[0004]本申请实施例旨在至少解决现有技术中存在的技术问题之一。为此，本申请实施例提供一种目标跟踪方法、装置、电子设备及存储介质，在面临许多挑战场景的时候都能具有很好的鲁棒性，实现了稳健、高效、准确的目标跟踪。
[0005]第一方面，本申请实施例提供...
【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：获取待检测视频序列；从所述待检测视频序列的第一帧图像中提取包含待检测目标的局部图像作为示例图像，并将待检测视频序列的后续帧图像作为搜索图像；将所述示例图像和所述搜索图像分别输入训练好的特征提取网络进行处理，得到第一特征图集和第二特征图集，其中，所述第一特征图集为所述示例图像对应的特征图的集合，所述第二特征图集为所述搜索图像对应的特征图的集合；将所述第一特征图集和所述第二特征图集输入训练好的孪生互注意力模块进行处理，得到强化后的所述第二特征图集；计算所述第一特征图集和强化后的所述第二特征图集的相似度特征图集，并根据所述相似度特征图集得到回归特征；根据所述回归特征对所述搜索图像进行锚框回归，得到所述待检测目标在所述搜索图像中的位置，进而确定所述待检测目标在所述待检测视频序列中的位置。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述特征提取网络为总步幅可调整的深度残差网络，所述深度残差网络的总步幅的调整方法包括：当所述深度残差网络的输入图像的尺寸为N*N时，将所述深度残差网络的总步幅调整为(N/M)*(N/M)，使得所述深度残差网络的输出图像的尺寸为M*M。3.根据权利要求2所述的目标跟踪方法，其特征在于，所述将所述示例图像和所述搜索图像分别输入训练好的特征提取网络进行处理，得到第一特征图集和第二特征图集，包括：将所述示例图像输入训练好的深度残差网络进行处理，并将所述深度残差网络最后三个卷积层输出的特征图作为第一特征图集；将所述搜索图像输入训练好的深度残差网络进行处理，并将所述深度残差网络最后三个卷积层输出的特征图作为第二特征图集。4.根据权利要求1所述的目标跟踪方法，其特征在于，所述将所述第一特征图集和所述第二特征图集输入训练好的孪生互注意力模块进行处理，得到强化后的所述第二特征图集，包括：获取来自于所述第一特征图集的第一特征图和来自于所述第二特征图集的第二特征图，其中，所述第一特征图与所述第二特征图对应；将所述第一特征图分别输入过渡卷积层进行处理，得到第三特征图和第四特征图；将所述第二特征图输入所述过渡卷积层进行处理，得到第五特征图；将所述第三特征图和所述第五特征图进行归一化和转置，得到所述第一特征图对所述第二特征图的影响权重；将所述第四特征图与所述影响权重相乘，得到强化后的第五特征图；重复获取所述第一特征图集和所述第二特征图集中的特征图，并强化所述第二特征图集中的特征图直至在所述第一特征图集和所述第二特征图集中检测不到新的特征图为止，得到强化后的所述第二特征图集。5.根据权利要求1所述的目标跟踪方法，其特征在于，所述计算所述第一特征图集和强化后的所述第二特征图集的相似度特征图集，并根据所述相似度特征图集得到回归特征，包括：
对所述第一特征图集和所述第二特征图集进行深度可分离互相关运算，得到所述搜索图像中与所述示例图像相似的局部像素区域，并将所述局部...
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。