[发明专利]一种多目标动物跟踪方法及装置

说明书

本发明提供一种多目标动物跟踪方法及装置。所述方法包括：将原始的动物视频数据输入训练好的深度神经网络，获取所述动物视频数据对应的动物模型；所述训练好的深度神经网络包括多个卷积层、下采样层和特定分类层；利用所述动物模型对所述原始的动物视频数据中的多个目标动物进行跟踪。本发明针对传统目标跟踪方法存在跟踪精度低、遮挡时跟踪性能差等问题，通过训练好的深度神经网络进行动物视频数据中的多个目标动物进行跟踪，提高了跟踪系统的鲁棒性，具有一定的实用性。

技术领域

本发明涉及数字视频图像处理领域，更具体地，涉及一种多目标动物跟踪方法及装置。

背景技术

运动目标跟踪是机器视觉的热门课题，广泛应用于跟踪以给出养殖管理决策，基于图像处理的目标动物跟踪方法能够进一步提高动物行为视频分析的自动化程度。视觉目标跟踪研究的难点在于保证算法的鲁棒性和准确性，Mean Shift算法、卡尔曼滤波算法、粒子滤波算法、光流算法等都能在一定条件下有效地跟踪目标。但以上方法需要进行建模或进行复杂的滤波运算，增加了算法的时间复杂度，跟踪的实时性效果受到影响；当目标运动速度过快或遮挡较为严重时，传统目标跟踪算法往往会发生目标的定位偏差甚至丢失，没有解决在跟踪目标之间互遮挡时的可靠性和鲁棒性问题。

近年来发展起来的卷积神经网络是一种新的目标分类识别方法，具有大规模并行处理能力、良好的自适应性以及较强的学习能力，基于卷积神经网络的图像模式识别和运动目标检测在农业信息化领域的应用已经成为一个新的研究热点。Held等在深度置信网络方面的重大研究工作发表以来，深度学习作为机器学习的新方向，在人工智能领域许多重要问题上得到广泛应用；Zeiler等基于CNN提取特征，当直接使用深度学习模型进行在线跟踪时，存在运行速度慢、难以满足跟踪实时性要求的问题。

传统人工神经网络形式简单学习能力强，在可控环境中具有较为准确的跟踪结果，广泛用于目标识别和跟踪领域，但是以往神经网络模型多为浅层神经网络，产生大量训练样本，存在着需要大量数据训练、迭代运算时间长等不足。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的多目标动物跟踪方法及装置。

根据本发明的一个方面，提供一种多目标动物跟踪方法，包括：

将原始的动物视频数据输入训练好的深度神经网络，获取所述动物视频数据对应的动物模型；所述训练好的深度神经网络包括多个卷积层、下采样层和特定分类层；

利用所述动物模型对所述原始的动物视频数据中的多个目标动物进行跟踪。

根据本发明的另一个方面，还提供一种多目标动物跟踪装置，包括输入模块和跟踪模块；

所述输入模块，用于将原始的动物视频数据输入训练好的深度神经网络，获取所述动物视频数据对应的动物模型；所述训练好的深度神经网络包括多个卷积层、下采样层和特定分类层；

所述跟踪模块，用于利用所述动物模型对所述原始的动物视频数据中的多个目标动物进行跟踪。

本发明提出一种多目标动物跟踪方法，针对传统目标跟踪方法存在跟踪精度低、遮挡时跟踪性能差等问题，通过训练好的深度神经网络进行动物视频数据中的多个目标动物进行跟踪，提高了跟踪系统的鲁棒性，具有一定的实用性。

附图说明

图1为本发明实施例一种多目标动物跟踪方法流程示意图；

图2为本发明实施例所述深度神经网络的训练步骤示意图；

图3为本发明实施例一种多目标动物跟踪装置示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。