[发明专利]改进型的目标跟踪方法、装置及计算机可读存储介质

说明书

本发明公开了一种改进型的目标跟踪方法、装置及计算机可读存储介质，该方法包括：获取待跟踪视频的每一帧图像中每一待跟踪目标的位置；根据所述待跟踪目标的位置和预先训练的特征跟踪模型，通过神经网络提取每一待跟踪目标的源特征；通过特征融合网络对所述待跟踪目标的源特征进行融合，以获得所述待跟踪目标的融合特征；根据所述待跟踪目标的融合特征确定待跟踪目标的最终特征。本发明中的神经网络可以当作一种任意函数逼近器，采用所述神经网络来替代传统的自定义的融合函数，通过数据驱动的方式，让所述神经网络自己去学习真实的融合函数，从而提高了目标跟踪算法的精度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种改进型的目标跟踪方法、装置及计算机可读存储介质。

背景技术

目标跟踪，也叫视觉目标跟踪，是计算机视觉中的一个重要研究方向，有着广泛的应用，例如：视频监控领域，人机交互领域，无人驾驶领域等。过去二三十年，视觉目标跟踪技术取得了较大的进步，特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果，使目标跟踪技术获得了突破性的进展。

目标跟踪问题本质上是一个数据关联问题，即从前后两帧图片中找出是同一个目标的两个行人，将他们进行关联。在数据关联中，需要用到很多数据线索(例如外观特征，运动特征等)，以计算各自的相似度，然后再将他们通过一个方法(通常是自定义的函数)，将他们结合在一起。然而，现有技术中使用的这种结合方法通常没有太多的理论依据，通过这种结合方法产生的融合数据并不能反应出真实情况。

发明内容

本发明提供一种改进型的目标跟踪方法、装置及计算机可读存储介质，其主要目的在于可以提供目标跟踪算法的精度。

为实现上述目的，本发明提供一种改进型的目标跟踪方法，该方法包括：

步骤A：获取待跟踪视频的每一帧图像中每一待跟踪目标的位置；

步骤B：根据所述待跟踪目标的位置和预先训练的特征跟踪模型，通过神经网络提取每一待跟踪目标的源特征；

步骤C：通过特征融合网络对所述待跟踪目标的源特征进行融合，以获得所述待跟踪目标的融合特征；及

步骤D：根据所述待跟踪目标的融合特征确定待跟踪目标的最终特征。

可选地，所述步骤C包括：

通过神经网络训练融合模型；

通过所述融合模型对所述待跟踪目标的源特征进行融合；

生成所述待跟踪目标的融合特征。

可选地，在执行所述步骤A之前，所述改进型的目标跟踪方法还包括：

采集待跟踪视频数据；及

对视频数据进行背景滤除，得到背景滤除的帧图像。

可选地，在执行所述步骤B之前，所述改进型的目标跟踪方法还包括：预先训练特征跟踪模型。

可选地，所述“预先训练特征跟踪模型”步骤包括：

通过视频采集设备采集不同的视频图像，以获得不同的训练样本；及

将所述不同的训练样本输入到待训练的特征跟踪模型中进行训练，从而获得预先训练特征跟踪模型。

可选地，所述特征融合网络为循环神经网络。

可选地，训练神经网络的步骤包括：

步骤E1：确定输入数据类型和结构；

步骤E2：设计神经网络的结构；

步骤E3：设计loss函数；其中，所述loss函数为KS散度；