[发明专利]一种连续视频帧中目标快速跟踪方法及装置

说明书

本发明提供了一种连续视频帧中目标快速跟踪方法及装置，先判断当前目标与历史目标的重叠度是否满足第一预设条件；若不满足再判断距离是否满足第二预设条件；若仍不满足则通过卷积神经网络判断是否满足第三预设条件；若仍不满足则判定当前目标为一个新出现的目标，而若三个条件中有一个满足即为跟踪成功。本发明中先使用面积和距离进行跟踪，简洁高效，卷积神经网络并不是每个跟踪周期都被利用，而仅在多目标物体出现混淆时才参与运算，在复杂场景下保持了较高的鲁棒性和准确率，算法的运算开销也可以限制在有限的范围内，可以作为独立中间件快速移植至目标检测系统中，作为检测系统中提高运算性能、避免冗余计算、节约系统功耗的有效方法。

技术领域

本发明涉及计算机视觉和人工智能技术领域，尤其是涉及一种连续视频帧中目标快速跟踪方法及装置。

背景技术

目标检测、目标识别、目标追踪等一系列技术是计算机视觉领域中一个富有挑战性的课题，其主要目的是从静态图片或动态视频中检测、定位、追踪某个或某些特定的目标。它综合运用了图像处理、模式识别、人工智能等技术，在交通、安防等领域有着广泛的应用。其中，目标检测是指检测到图片中目标的具体位置区域；目标识别是指在所有的给定目标区域中，对其分类或计算其特征、属性等；目标追踪，其任务重要的第一点是目标检测，而且该任务涉及到的数据一般具有时间序列，常见的情况是首先目标被识别，然后算法或者系统需要在接下来时序的数据中，快速并高效地对给定目标进行再定位。

在现有技术中，IoU(Intersection over Union)是目标追踪领域中一项广泛使用的传统技术，是一种评价在特定数据集中检测相应物体准确度的标准，其核心在于比较不同视频帧中目标的重合面积，重合面积的占比一旦大于某一阈值即可标记两者为同一目标。但是该技术在小目标跟踪、运动剧烈的场景下，或其他原因导致产生丢帧的情况下，跟踪技术总是遭遇失败，因此仅使用IoU实现目标的跟踪是远远不够的。

一部分现有技术还使用传统图形图像方法提取检测对象的特征，通过特征比对提高准确率，但是这一类方法需要依赖多样的先验知识，其技术手段因待检测目标的不同，需要大量的人类先验知识的参与。判断不同待检测区域是否匹配的方法在传统图形图像技术中通常包括基于空域的图像处理技术、基于频率域的图像处理技术、基于先验知识的特征提取技术等几种。而上述任意一者都需要根据待跟踪目标的具体形态、颜色、结构、纹理频率、光照环境等进行复杂的设计和开发，使得此类系统效率低下；且不同目标同质性较强的情况下，能有效解决此类问题的传统技术往往也面临着运算复杂、实时性差等问题，如基于时空上下文的方法、小波分析、LBP特征方法等。传统图形图像方法对不同对象需要分别建立复杂的算法模型，开发周期长，可迁移能力弱，且鲁棒性相较于IoU只有有限的提升，部分频率域的图像处理算法的运算开销依然很高，因此不能满足高品质和边缘计算的要求。

为了提高目标追踪的效果，深度学习技术已逐渐取代传统图形图像技术开始被广泛使用。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。然而发明人在实现本发明的过程中发现，在IOT(物联网)、移动通信等行业中，由于很多终端设备的处理能力并不是很强，甚至性能很低，因此深度学习同样普遍面临着算法复杂度高、运算效率低、实时性差等多种问题。特别是在目标检测、特征提取技术上，低性能的边缘平台难以胜任如此规模的运算量。

发明内容

本发明实施例提供一种连续视频帧中目标快速跟踪方法及装置，以解决目标追踪时计算复杂度高、实时性差的技术问题。

根据本发明实施例的第一方面，提供一种连续视频帧中目标快速跟踪方法，所述方法包括：

判断从连续视频帧中检测到的当前目标与历史目标集合中的目标的重叠度是否满足第一预设条件；

如果不满足所述第一预设条件，则判断所述当前目标与所述历史目标集合中的目标的距离是否满足第二预设条件；