技術(shù)特征：

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法，其特征在于，包括：

S1，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，該卷積神經(jīng)網(wǎng)絡(luò)包括多個特征共享層和一個特定分類層；

S2，進行離線訓(xùn)練，對于不同的帶有目標標注的視頻序列，采用不同的特定分類層與特征共享層進行訓(xùn)練并更新網(wǎng)絡(luò)的參數(shù)，該網(wǎng)絡(luò)的參數(shù)包括特定分類層的參數(shù)以及特征共享層的參數(shù)，直到網(wǎng)絡(luò)收斂或者達到預(yù)先設(shè)定的迭代次數(shù)；

S3，對卷積神經(jīng)網(wǎng)絡(luò)更新并使用卷積神經(jīng)網(wǎng)絡(luò)從視頻幀中獲取最優(yōu)的區(qū)域設(shè)為跟蹤區(qū)域，具體步驟包括：

S31，以當前目標位置作為輸入，保持特征共享層的參數(shù)不變，使用新的特定分類層與特征共享層組成新的卷積神經(jīng)網(wǎng)絡(luò)；

S32，在當前目標位置周圍區(qū)域隨機選取多個區(qū)域作為正樣本，另外的多個區(qū)域作為負樣本，保持部分特征共享層的參數(shù)不變進行訓(xùn)練更新，調(diào)整部分特征共享層的參數(shù)以及新的特定分類層的參數(shù)；

S33，從視頻幀中根據(jù)高斯分布隨機生成多個跟蹤候選區(qū)域；

S34，使用卷積神經(jīng)網(wǎng)絡(luò)對多個跟蹤候選區(qū)域評分，從中獲取最優(yōu)候選區(qū)域；

S35，若最優(yōu)候選區(qū)域的評分大于一閾值，則將該最優(yōu)候選區(qū)域設(shè)為跟蹤區(qū)域，對跟蹤區(qū)域進行標注，否則跳轉(zhuǎn)至步驟S32，直至滿足最優(yōu)候選區(qū)域的評分大于一閾值，則將該最優(yōu)候選區(qū)域設(shè)為跟蹤區(qū)域，對跟蹤區(qū)域進行標注。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法，其特征在于，所述的步驟S31還包括分別設(shè)定新的卷積神經(jīng)網(wǎng)絡(luò)的更新時間以及更新周期，設(shè)當前的時間為t，該更新時間包括短更新時間t_s以及長更新時間t_l，該更新周期包括短更新周期T_s以及長更新周期T_l，并在執(zhí)行所述的步驟S34后，執(zhí)行如下步驟：

S36，若最優(yōu)候選區(qū)域的評分大于一閾值，則將該最優(yōu)候選區(qū)域設(shè)為跟蹤區(qū)域，并且當前時間t＝t+1，否則跳轉(zhuǎn)至步驟S32，直至滿足最優(yōu)候選區(qū)域的評分大于一閾值，則將該最優(yōu)候選區(qū)域設(shè)為跟蹤區(qū)域，對跟蹤區(qū)域進行標注；

S37，如果t_s＞T_S，則t_s＝1，t_l＝t_l+1，并跳轉(zhuǎn)至步驟S32，如果t_l＞T_l，則t_s＝t_s+1，t_l＝1，并跳轉(zhuǎn)至步驟S32，否則t_s＝t_s+1，t_l＝t_l+1，并跳轉(zhuǎn)至步驟S33。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法，其特征在于，所述的特征共享層包括卷積層和前兩個全連接層，所述的特定分類層為作為卷積神經(jīng)網(wǎng)絡(luò)輸出的第三個全連接層。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法，其特征在于，所述的步驟S32中在當前目標位置周圍區(qū)域隨機選取多個區(qū)域作為正樣本，另外的多個區(qū)域作為負樣本具體指的是：在視頻序列中每一幀的標注目標矩形框周圍區(qū)域，選取若干IoU≥0.8的區(qū)域作為正樣本，選取若干IoU≤0.5的區(qū)域作為負樣本。

5.一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤裝置，包括：

處理器以及存儲器；

所述存儲器用于存儲程序；

所述處理器用于執(zhí)行所述存儲器中的程序，使得所述目標跟蹤裝置執(zhí)行上述權(quán)利要求1至4任意一項所述的基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法。