[发明专利]一种目标跟踪方法、设备以及可读介质

说明书

本发明提供了一种目标跟踪方法、设备以及介质，在获取包含有跟踪的目标的第一目标区域后，所述GPU获取所述第一目标区域的参考特征，并根据所述参考特征和特征模板获取所述目标在第二帧图像中的位置信息，然后所述GPU还根据所述参考特征和至少一个预设尺度模板获取所述目标在所述第二帧图像中的尺度信息，最后，再根据所述位置信息和尺度信息，确定所述目标在所述第二帧图像中的第二目标区域。所述GPU具有复杂的数学和几何计算能力，在上述数据处理过程中，可以以并行的方式对数据进行处理，可以在保证精度的情况下，大幅度提高目标跟踪的运算速度。

技术领域

本说明书涉及信息技术领域，尤其涉及一种目标跟踪方法、设备以及可读介质。

背景技术

目标跟踪问题，随着深度学习方法的崛起，效果越来越好，但伴随着的问题是运算量越来越大，所消耗的时间越来越长，以往，只要通过CPU的更新换代就可以很好地提高程序的执行速度。但随着大数据行业的兴起,简单的更新换代已经跟不上数据量和计算量的增长，于是通过分布式和并行的程序优化越来越受到重视。

具体的，对于CPU加速主要集中在多核性能和多线程的性能发挥，简单的如通过openmp将for循环进行并行化，但是由于cpu的核数有限，其指令集复杂，对于较少的数据运算会效果明显，但当运算量达到一定程度，会出现瓶颈。

发明内容

本说明书实施例提供一种目标跟踪方法、设备以及可读介质，以解决当数据量达到一定程度后现有技术中目标跟踪方法运算速度不够快的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

本发明提供了一种目标跟踪方法，包括：

在第一帧图像中获取包含跟踪的目标的第一目标区域；

GPU获取所述第一目标区域的参考特征，并根据所述参考特征和特征模板，获取所述目标在第二帧图像中的位置信息，所述第二帧图像与所述第一帧图像在时间上相继；

所述GPU将所述参考特征与至少一个预设尺度模板进行匹配判断，确定所述目标在所述第二帧图像中的尺度信息；

所述GPU根据所述位置信息和尺度信息，确定所述目标在所述第二帧图像中的第二目标区域。

优选的，在上述的目标跟踪方法中，所述GPU获取所述第一目标区域的参考特征，包括：

所述GPU获取所述第一目标区域的至少一种特征；

所述GPU根据所述至少一种特征确定所述目标的参考特征。

优选的，在上述的目标跟踪方法中，针对所述至少一种特征中的不同特征，所述GPU分别执行以下操作：

将该特征转换为第一N维矩阵，所述N为大于1的整数；

根据所述至少一种特征确定所述目标的参考特征，包括：

对所述至少一种特征转换后的至少一个第一N维矩阵求和，获取所述参考特征，所述参考特征为N维矩阵。

优选的，在上述的目标跟踪方法中，当该特征为神经网络特征时，将该特征转换为第一N维矩阵，包括：

通过主成成分分析方法对所述神经网络特征进行降维处理，获取第二N维矩阵，其中，所述神经网络特征为M维矩阵，M为大于N的整数；

通过傅里叶变换，将所述第二N维矩阵从时域转换为频域，获得第三N维矩阵；

对所述第三N维矩阵进行插值以获得所述第一N维矩阵。

优选的，在上述的目标跟踪方法中，通过主成成分分析方法对所述神经网络特征进行降维处理，包括：

对所述神经网络特征进行奇异值分解，以获取所述神经网络特征的酋矩阵；