[发明专利]一种分阶段目标跟踪方法、装置、终端及可读存储介质

说明书

本发明公开了一种分阶段目标跟踪方法、装置、终端及可读存储介质，所述方法包括：步骤S1：构建一个根据目标环境自适应切换候选跟踪器的智能体，并基于训练视频训练所述智能体；其中，训练视频中每一帧图像中标记出了跟踪目标的位置；将当前帧的图像信息以及上一帧图像中跟踪目标的位置信息作为观测数据输入所述智能体，所述智能体的输出数据为每个候选跟踪器的候选值Q，将Q值最大的候选跟踪器作为当前帧图像对应的最佳候选跟踪器；步骤S2：在线跟踪时，实时获取观测数据，并输入训练后的智能体选择出实时的最佳候选跟踪器，并利用最佳候选跟踪器进行实时目标跟踪。其中，利用所述方法实现了基于跟踪场景自适应切换最佳候选跟踪器。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种分阶段目标跟踪方法、装置、终端及可读存储介质。

背景技术

目标跟踪作为当前计算机视觉领域最热门的研究方向之一，其利用图像序列或视频中的上下文信息，通过对目标的外观和运动信息进行建模实现对其的连续定位和跟踪。随着相关研究的不断发展和计算机能力的快速提升，高效的目标跟踪算法纷纷落地，广泛的运用在智能监控、智慧交通、智能导航和无人驾驶等领域中。

由于在实际复杂的应用环境中存在背景杂乱、光照变化、遮挡等外界因素以及目标姿态变化、尺度变化、平面旋转、出视野和运动模糊等内在因素的影响，给目标跟踪带来极大挑战。随着相关研究的不断发展和计算机能力的快速提升，一些高效的目标跟踪算法纷纷提出。基于相关滤波的跟踪方法在计算效率和准确度方面极具优势，这些方法的思想是寻找一个滤波模板，让下一帧的图像与滤波模板做卷积操作，响应最大的区域则是预测的目标。KCF算法设计了一个基于核的相关滤波器，它在保证速度的同时通过多通道特征的使用也达到了不错的精度。STC算法通过建立目标与其周围的时空关系，对目标跟踪中常出现的遮挡和背景杂乱等问题具有很好的鲁棒性。近年，基于CNN的方法由于其强大的表示能力，在视觉跟踪领域得到了广泛的应用。MDNet算法从多个标注的视频序列中学习目标的共享表示，以应用在跟踪任务上。结合深度强化学习提出的ADNet视觉跟踪算法通过智能体对跟踪目标执行一系列动作来确定下一帧目标的跟踪位置，能够实现较高的跟踪速度。

尽管上述提及的目标跟踪算法已经取得了不错的效果，但是目前还没有一个单独的跟踪算法能够适应所有的场景，它们总是只在一些跟踪问题上表现优异。而现实中在不同时期较常出现目标的显著变化和环境的改变，这对实现精准的长时间跟踪是有一定困难的。因此需要设计一种能够根据跟踪场景自适应切换最佳候选跟踪器的方法，提高对复杂跟踪场景的鲁棒性。

发明内容

本发明的目的在于现有跟踪算法无法适应复杂多变场景的问题，提供一种根据跟踪场景自适应切换最佳候选跟踪器的方法，使其能够结合多个跟踪算法的优势，实现连续且准确的跟踪。其构建出一个智能体，一方面，该智能体能够根据跟踪场景自适应切换最佳候选跟踪器，充分利用各个候选跟踪器的优势，使其面对复杂多变环境时依旧能够提供准确的目标的位置；二方面，基于该智能体，不需要对任何接入的候选跟踪器进行改变即可接入，具有广泛应用的前景。

一方面，本发明提供一种分阶段目标跟踪方法，包括如下步骤：

步骤S1：构建一个根据目标环境自适应切换候选跟踪器的智能体，并基于训练视频训练所述智能体；

其中，训练视频中每一帧图像中标记出了跟踪目标的位置；将当前帧的图像信息以及上一帧图像中跟踪目标的位置信息作为观测数据输入所述智能体，所述智能体的输出数据为每个候选跟踪器的候选值Q，将Q值最大的候选跟踪器作为当前帧图像对应的最佳候选跟踪器；

步骤S2：在线跟踪时，实时获取观测数据，并输入训练后的智能体选择出实时的最佳候选跟踪器，并利用最佳候选跟踪器进行实时目标跟踪。

其中，步骤S1中所述智能体的训练过程如下：

首先，获取训练视频中的标记了跟踪目标位置的图像，再依次按照下述方法处理每一帧图像得到每一帧图像对应的奖励；