基于遮挡的目标追踪方法及装置制造方法及图纸

本申请提供了一种基于遮挡的目标追踪方法及装置。该方法包括：利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务。采用上述技术手段，解决现有技术中，因遮挡造成目标追踪模型精度低的问题。造成目标追踪模型精度低的问题。造成目标追踪模型精度低的问题。

【技术实现步骤摘要】
基于遮挡的目标追踪方法及装置


[0001]本申请涉及目标检测
，尤其涉及一种基于遮挡的目标追踪方法及装置。

技术介绍

[0002]目标追踪（Person re
‑
identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。在真实场景下，目标追踪会存在大量遮挡数据，这些数据可能是行人遮挡或者物体遮挡，这些遮挡会对目标追踪模型精度造成较大的影响。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种基于遮挡的目标追踪方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，因遮挡造成目标追踪模型精度低的问题。
[0004]本申请实施例的第一方面，提供了一种基于遮挡的目标追踪方法，包括：利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务。
[0005]本申请实施例的第二方面，提供了一种基于遮挡的目标追踪装置，包括：第一构建模块，被配置为利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；第二构建模块，被配置为利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；第三构建模块，被配置为构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；训练模块，被配置为依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务。
[0006]本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0007]本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0008]本申请实施例与现有技术相比存在的有益效果是：因为本申请实施例通过利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务，因此，采用上述技术手段，可以解决现有技术中，因遮挡造成目标追踪模型精度低的问题，进而提高目标追踪模型的精度。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0010]图1是本申请实施例提供的一种基于遮挡的目标追踪方法的流程示意图；图2是本申请实施例提供的一种目标追踪模型的训练方法的流程示意图；图3是本申请实施例提供的一种基于遮挡的目标追踪装置的结构示意图；图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0011]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0012]图1是本申请实施例提供的一种基于遮挡的目标追踪方法的流程示意图。图1的基于遮挡的目标追踪方法可以由计算机或服务器，或者计算机或服务器上的软件执行。如图1所示，该基于遮挡的目标追踪方法包括：S101，利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；S102，利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；S103，构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；S104，依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务。
[0013]具体地：依次连接通道全局平均池化层、卷积层、激活层和注意力层，得到注意力网络；目标分类网络和遮挡分类网络均是依次连接空间全局平均池化层和全连接层得到的；将遮挡增强网络、特征提取网络和注意力网络依次串行连接，将注意力网络中的注意力层在与激活层连接的基础上再与特征提取网络连接，目标分类网络和遮挡分类网络并行连接在注意力网络之后，得到目标追踪模型。
[0014]其中，注意力网络中的注意力层用于基于激活层的输出对特征提取网络的输出中的每个元素分配注意力。比如可以是通过对激活层的输出和特征提取网络的输出进行相乘运算，相乘运算就是基于激活层的输出对特征提取网络的输出中的每个元素分配注意力。
[0015]激活层使用的激活函数可以是Sigmoid；特征提取网络是Backbone网络，Backbone网络可以选用残差网络；通道全局平均池化层是在通道上取平均，空间全局平均池化层是在尺寸上取平均，比如输入为3x3x100的特征图，经过通道全局平均池化层输出是3x3，经过空间全局平均池化层输出是1x1x100。其中，3x3x100中第一个3表示宽，第二个3表示高（3x3是尺寸），100表示通道数。
[0016]根据本申请实施例提供的技术方案，利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；利用空间全局平均池化层和全连接层构建目标分类网络和遮挡
分类网络；构建遮挡增强网络，利用遮挡增强网络、特征提取网络、注意力网络、目标分类网络和遮挡分类网络构建目标追踪模型；依据目标追踪任务对目标追踪模型进行训练，利用训练后的目标追踪模型执行目标追踪任务，因此，采用上述技术手段，可以解决现有技术中，因遮挡造成目标追踪模型精度低的问题，进而提高目标追踪模型的精度。
[0017]进一步地，依据目标追踪任务对目标追踪模型进行训练，包括：获取目标追踪任务对应的训练数据集，从训练数据集中随机确定当前时刻输入目标追踪模型的第一训练样本；将第一训练样本输入目标追踪模型：遮挡增强网络对第一训练样本进行处理，得到遮挡样本；特征提取网络对遮挡样本进行处理，得到样本特征图；注意力网络对样本特征图进行处理，得到注意力特征图；目标分类网络对注意力特征图进行处理，得到目标分类结果；遮挡分类网络对注意力特征图进行处理，得到遮挡分类结果；利用交叉熵损失函数计算目标分类结果和第一训练样本中目标对应标签之间的分类损失；利用交叉熵损失函数计算遮挡分类结果和第一训练样本对应遮挡样本中遮挡对应标签之间的遮挡损失；利用第一训练样本对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遮挡的目标追踪方法，其特征在于，包括：利用通道全局平均池化层、卷积层、激活层和注意力层构建注意力网络；利用空间全局平均池化层和全连接层构建目标分类网络和遮挡分类网络；构建遮挡增强网络，利用所述遮挡增强网络、特征提取网络、所述注意力网络、所述目标分类网络和所述遮挡分类网络构建目标追踪模型；依据目标追踪任务对所述目标追踪模型进行训练，利用训练后的所述目标追踪模型执行所述目标追踪任务。2.根据权利要求1所述的方法，其特征在于，利用所述遮挡增强网络、所述特征提取网络、所述注意力网络、所述目标分类网络和所述遮挡分类网络构建目标追踪模型，包括：在所述目标追踪模型中，所述遮挡增强网络、所述特征提取网络和所述注意力网络依次串行连接，所述注意力网络中的所述注意力层分别与所述激活层和所述特征提取网络存在连接，所述目标分类网络和所述遮挡分类网络并行连接在所述注意力网络之后；其中，所述注意力网络中的所述注意力层用于基于所述激活层的输出对所述特征提取网络的输出中的每个元素分配注意力。3.根据权利要求1所述的方法，其特征在于，依据目标追踪任务对所述目标追踪模型进行训练，包括：获取所述目标追踪任务对应的训练数据集，从所述训练数据集中随机确定当前时刻输入所述目标追踪模型的第一训练样本；将所述第一训练样本输入所述目标追踪模型：所述遮挡增强网络对所述第一训练样本进行处理，得到遮挡样本；所述特征提取网络对所述遮挡样本进行处理，得到样本特征图；所述注意力网络对所述样本特征图进行处理，得到注意力特征图；所述目标分类网络对所述注意力特征图进行处理，得到目标分类结果；所述遮挡分类网络对所述注意力特征图进行处理，得到遮挡分类结果；利用交叉熵损失函数计算所述目标分类结果和所述第一训练样本中目标对应标签之间的分类损失；利用所述交叉熵损失函数计算所述遮挡分类结果和所述第一训练样本对应遮挡样本中遮挡对应标签之间的遮挡损失；利用所述第一训练样本对应的分类损失和遮挡损失优化所述目标追踪模型的模型参数，直至利用所述训练数据集中所有训练样本优化所述目标追踪模型的模型参数之后，确定完成对所述目标追踪模型的训练。4.根据权利要求3所述的方法，其特征在于，所述遮挡增强网络对所述第一训练样本进行处理，得到遮挡样本，包括：确定所述第一训练样本对应的第二训练样本，其中，所述第二训练样本是所述训练数据集中除第一训练样本之外的其它训练样本中任意一个训练样本；按照随机确定地尺寸在所述第二训练样本的任意位置上进行裁剪，得到裁剪图片；将所述裁剪图片放置到所述第一训练样本的任意位置上，得到所述第一训练样本对应的遮挡样本，其中，所述裁剪图片作为所述遮挡样本中的遮挡；确定所述遮挡样本中遮挡对应的标签。
5.根据权利要求3所述的方法...

【专利技术属性】
技术研发人员：蒋召，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：