本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種目標(biāo)跟蹤方法及裝置。

背景技術(shù)：

目標(biāo)跟蹤的目的是獲取視頻序列中特定目標(biāo)的運(yùn)動(dòng)軌跡，近年來(lái)隨著計(jì)算機(jī)網(wǎng)絡(luò)視頻的快速傳播，目標(biāo)跟蹤的研究一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門(mén)課題，也在很多實(shí)用視覺(jué)系統(tǒng)中扮演著重要角色，而目標(biāo)跟蹤是指給出目標(biāo)在跟蹤視頻第一幀中的初始狀態(tài)，預(yù)測(cè)該目標(biāo)在后續(xù)幀中的精確位置，與此同時(shí)，視覺(jué)目標(biāo)跟蹤也作為人工智能的基礎(chǔ)，可以模擬人類(lèi)視覺(jué)的行為。

目前現(xiàn)有技術(shù)中的目標(biāo)跟蹤方法主要采用檢測(cè)不同分類(lèi)任務(wù)的圖像跟蹤目標(biāo)物體，而無(wú)法識(shí)別個(gè)體級(jí)別的同類(lèi)任務(wù)的差別，比如：該目前通過(guò)分類(lèi)任務(wù)檢測(cè)的方式只關(guān)注區(qū)分不同類(lèi)間的物體，而忽略了同類(lèi)物體間的差別，如在跟蹤車(chē)輛和行人的時(shí)候，只能獲取視頻圖像中的所有車(chē)輛、行人整體的不同，而無(wú)法識(shí)別單獨(dú)車(chē)輛或行人因在跟蹤目標(biāo)物體的過(guò)程中會(huì)出現(xiàn)目標(biāo)發(fā)生劇烈形變、被其他目標(biāo)遮擋或出現(xiàn)相似物體干擾引起個(gè)體級(jí)別的不同，即在所有目標(biāo)中無(wú)法抑制掉其它不相關(guān)目標(biāo)從而識(shí)別某一個(gè)物體。

技術(shù)實(shí)現(xiàn)要素：

因此，本發(fā)明實(shí)施例要解決的技術(shù)問(wèn)題在于現(xiàn)有技術(shù)中的目標(biāo)跟蹤方法，在跟蹤目標(biāo)物體的過(guò)程中，因無(wú)法識(shí)別個(gè)體級(jí)別的同類(lèi)物體間的任務(wù)差別。

為此，本發(fā)明實(shí)施例提供了如下技術(shù)方案：

本發(fā)明實(shí)施例提供一種目標(biāo)跟蹤方法，包括如下步驟：

根據(jù)當(dāng)前幀圖像建立網(wǎng)絡(luò)跟蹤模型；

確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像；

在所述當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域；

獲取當(dāng)前幀的下一幀圖像；

在所述下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域；

計(jì)算所述被跟蹤目標(biāo)區(qū)域和每個(gè)所述目標(biāo)候選區(qū)域的相似度；

根據(jù)所述相似度在多個(gè)目標(biāo)候選區(qū)域中確定目標(biāo)跟蹤區(qū)域；

在所述目標(biāo)跟蹤區(qū)域內(nèi)確定被跟蹤目標(biāo)；

獲取所述被跟蹤目標(biāo)的當(dāng)前狀態(tài)。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤方法，還包括：根據(jù)所述當(dāng)前狀態(tài)更新所述網(wǎng)絡(luò)跟蹤模型。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤方法，所述在所述下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域，包括：

獲取所述當(dāng)前幀圖像的正樣本和負(fù)樣本；

檢測(cè)所述下一幀圖像邊緣信息；

在所述當(dāng)前幀圖像中檢測(cè)所述被跟蹤目標(biāo)區(qū)域與所述圖像邊緣信息重合的邊緣信息。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤方法，所述計(jì)算所述被跟蹤目標(biāo)區(qū)域和每個(gè)所述目標(biāo)候選區(qū)域的相似度，包括：

獲取包含每個(gè)所述目標(biāo)候選區(qū)域的外接矩形；

將所述被跟蹤目標(biāo)區(qū)域和所述外接矩形輸入比對(duì)神經(jīng)網(wǎng)絡(luò)模型；

獲取最大的目標(biāo)候選區(qū)域得分。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤方法，根據(jù)所述當(dāng)前狀態(tài)更新所述網(wǎng)絡(luò)跟蹤模型，包括：

定期采用長(zhǎng)期更新所述正樣本；

根據(jù)所述被跟蹤目標(biāo)的當(dāng)前狀態(tài)，確定得分閾值；

判斷所述最大的目標(biāo)候選區(qū)域得分是否小于所述得分閾值，若是，則采用短期更新所述正樣本，若否，則采用長(zhǎng)期更新所述正樣本；

更新所述被跟蹤目標(biāo)的尺度。

本發(fā)明實(shí)施例提供一種目標(biāo)跟蹤裝置，包括如下單元：

建立單元，用于根據(jù)當(dāng)前幀圖像建立網(wǎng)絡(luò)跟蹤模型；

第一確定單元，用于確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像；

第一獲取單元，用于在所述當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域；

第二獲取單元，用于獲取當(dāng)前幀的下一幀圖像；

第三獲取單元，用于在所述下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域；

計(jì)算單元，用于計(jì)算所述被跟蹤目標(biāo)區(qū)域和每個(gè)所述目標(biāo)候選區(qū)域的相似度；

第二確定單元，用于根據(jù)所述相似度在多個(gè)目標(biāo)候選區(qū)域中確定目標(biāo)跟蹤區(qū)域；

第三確定單元，用于在所述目標(biāo)跟蹤區(qū)域內(nèi)確定被跟蹤目標(biāo)；

第四獲取單元，用于獲取所述被跟蹤目標(biāo)的當(dāng)前狀態(tài)。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤裝置，還包括：更新單元，用于根據(jù)所述當(dāng)前狀態(tài)更新所述網(wǎng)絡(luò)跟蹤模型。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤裝置，所述第三獲取單元，包括：

第一獲取模塊，用于獲取所述當(dāng)前幀圖像的正樣本和負(fù)樣本；

第一檢測(cè)模塊，用于檢測(cè)所述下一幀圖像邊緣信息；

第二檢測(cè)模塊，用于在所述當(dāng)前幀圖像中檢測(cè)所述被跟蹤目標(biāo)區(qū)域與所述圖像邊緣信息重合的邊緣信息。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤裝置，所述計(jì)算單元，包括：

第二獲取模塊，用于獲取包含每個(gè)所述目標(biāo)候選區(qū)域的外接矩形；

輸入模塊，用于將所述被跟蹤目標(biāo)區(qū)域和所述外接矩形輸入比對(duì)神經(jīng)網(wǎng)絡(luò)模型；

第三獲取模塊，用于獲取最大的目標(biāo)候選區(qū)域得分。

可選地，本發(fā)明實(shí)施例所述目標(biāo)跟蹤裝置，所述更新單元，包括：

第一更新模塊，用于定期采用長(zhǎng)期更新所述正樣本；

確定模塊，用于根據(jù)所述被跟蹤目標(biāo)的當(dāng)前狀態(tài)，確定得分閾值；

判斷模塊，用于判斷所述最大的目標(biāo)候選區(qū)域得分是否小于所述得分閾值；若是，則采用短期更新所述正樣本，若否，則采用長(zhǎng)期更新所述正樣本；

第二更新模塊，用于更新所述被跟蹤目標(biāo)的尺度。

本發(fā)明實(shí)施例技術(shù)方案，具有如下優(yōu)點(diǎn)：

本發(fā)明提供一種目標(biāo)跟蹤方法及裝置，其中目標(biāo)跟蹤方法，包括如下步驟：根據(jù)當(dāng)前幀圖像建立網(wǎng)絡(luò)跟蹤模型；確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像；在當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域；獲取當(dāng)前幀的下一幀圖像；在下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域；計(jì)算被跟蹤目標(biāo)區(qū)域和每個(gè)目標(biāo)候選區(qū)域的相似度；根據(jù)相似度在多個(gè)目標(biāo)候選區(qū)域中確定目標(biāo)跟蹤區(qū)域；在目標(biāo)跟蹤區(qū)域內(nèi)確定被跟蹤目標(biāo)；獲取被跟蹤目標(biāo)的當(dāng)前狀態(tài)，根據(jù)當(dāng)前狀態(tài)更新網(wǎng)絡(luò)跟蹤模型。本發(fā)明通過(guò)建立網(wǎng)絡(luò)跟蹤模型，可以識(shí)別出被跟蹤目標(biāo)同類(lèi)物體間的個(gè)體差異，在更新樣本物體時(shí)，可以有效表述出目標(biāo)物體在各種情況下的外觀變化。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施方式，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例1中目標(biāo)跟蹤方法的流程圖；

圖2為本發(fā)明實(shí)施例1中目標(biāo)跟蹤方法中獲取多個(gè)目標(biāo)候選區(qū)域的流程圖；

圖3為本發(fā)明實(shí)施例1中目標(biāo)跟蹤方法中計(jì)算每個(gè)目標(biāo)候選區(qū)域相似度的流程圖；

圖4為本發(fā)明實(shí)施例1中目標(biāo)跟蹤方法中更新網(wǎng)絡(luò)跟蹤模型的流程圖；

圖5為本發(fā)明實(shí)施例2中目標(biāo)跟蹤裝置結(jié)構(gòu)框圖；

圖6為本發(fā)明實(shí)施例2中目標(biāo)跟蹤裝置中第三獲取單元的結(jié)構(gòu)框圖；

圖7為本發(fā)明實(shí)施例2中目標(biāo)跟蹤裝置中計(jì)算單元的結(jié)構(gòu)框圖；

圖8為本發(fā)明實(shí)施例2中目標(biāo)跟蹤裝置中更新單元的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施例的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

在本發(fā)明實(shí)施例的描述中，需要說(shuō)明的是，術(shù)語(yǔ)“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明實(shí)施例和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。此外，術(shù)語(yǔ)“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性。

在本發(fā)明實(shí)施例的描述中，需要說(shuō)明的是，除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，還可以是兩個(gè)元件內(nèi)部的連通，可以是無(wú)線連接，也可以是有線連接。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。

此外，下面所描述的本發(fā)明不同實(shí)施方式中所涉及的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互結(jié)合。

實(shí)施例1

本實(shí)施例提供一種目標(biāo)跟蹤方法，如圖1所示，包括如下步驟：

s1、根據(jù)當(dāng)前幀圖像建立網(wǎng)絡(luò)跟蹤模型；此網(wǎng)絡(luò)跟蹤模型為結(jié)合時(shí)序關(guān)聯(lián)的視頻數(shù)據(jù)，訓(xùn)練得到識(shí)別個(gè)體級(jí)別的網(wǎng)絡(luò)。因?yàn)槟繕?biāo)跟蹤通常指給出目標(biāo)在跟蹤視頻第一幀中的初始狀態(tài)，自動(dòng)估計(jì)目標(biāo)物體在后續(xù)幀中的狀態(tài)。人眼可以比較輕松的在一段時(shí)間內(nèi)跟住某個(gè)特定目標(biāo)，但對(duì)機(jī)器而言，這一任務(wù)并不簡(jiǎn)單，在跟蹤的過(guò)程中會(huì)出現(xiàn)目標(biāo)發(fā)生劇烈形變，被其他目標(biāo)遮擋或出現(xiàn)相似物體干擾等等各種復(fù)雜的情況。上述當(dāng)前幀為包含從視頻流輸入的初始幀或上一幀或下一幀在當(dāng)前時(shí)刻的圖像信息，該信息包括當(dāng)前幀的位置和尺寸。

s2、確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像；在視頻流中輸入多幅連續(xù)的圖像才能構(gòu)成一個(gè)完整的視頻，且圖像是連續(xù)的時(shí)序關(guān)聯(lián)數(shù)據(jù)，所以只有通過(guò)獲取具有當(dāng)前幀的被跟蹤目標(biāo)圖像才能完成具體的跟蹤，在視頻流中只有確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像位置才能找到被跟蹤目標(biāo)。

s3、在當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域；即為在當(dāng)前幀圖像中檢測(cè)出具體的被跟蹤目標(biāo)的區(qū)域(當(dāng)前patch)，這個(gè)區(qū)域是由多個(gè)像素點(diǎn)構(gòu)成的圖像塊。

s4、獲取當(dāng)前幀的下一幀圖像；跟蹤的目的就是為了追上前面的物體，只有通過(guò)獲取一幀幀圖像信息才能最終跟蹤上這個(gè)具體的物體，所以這里需要在下一幀，利用當(dāng)前幀中獲取的被跟蹤目標(biāo)區(qū)域完成進(jìn)一步跟蹤。

s5、在下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域；利用proposal生成方式，生成目標(biāo)建議位置的目的就是生成一個(gè)數(shù)量相對(duì)小的選擇框候選集，即為多個(gè)目標(biāo)候選區(qū)域。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤方法，如圖2所示，步驟s5，在下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域，包括：

s51、獲取當(dāng)前幀圖像的正樣本和負(fù)樣本；正樣本指圖片中只有需要尋找的某一目標(biāo)，即通常指與跟蹤相關(guān)的目標(biāo)樣本信息，負(fù)樣本指其中不包含需要尋找的目標(biāo)，即通常指多余的、不相關(guān)的樣本信息，也可以把正確的目標(biāo)區(qū)域之外的其它候選區(qū)域作為負(fù)樣本。

s52、檢測(cè)下一幀圖像邊緣信息，通過(guò)下一幀的圖像邊緣信息獲取目標(biāo)可能位置的一些候選區(qū)域。

s53、在當(dāng)前幀圖像中檢測(cè)被跟蹤目標(biāo)區(qū)域與圖像邊緣信息重合的邊緣信息。利用結(jié)構(gòu)化邊緣檢測(cè)器獲得圖像中每個(gè)像素的邊界響應(yīng)，這樣就可以得到一個(gè)稠密的邊界響應(yīng)，然后執(zhí)行非極大值抑制找到邊緣峰值，這樣又可以得到一個(gè)稀疏的邊緣圖，再對(duì)邊緣進(jìn)行分組，認(rèn)為直線邊界相連接的邊緣像素具有更高的相關(guān)性，而未直接連接或通過(guò)曲率過(guò)高的曲線連接的邊緣像素具有更低的相關(guān)性，接下來(lái)，采用滑動(dòng)窗的方法在當(dāng)前幀圖像區(qū)域中檢測(cè)與多個(gè)目標(biāo)候選區(qū)域的邊緣重合的邊緣信息較多的目標(biāo)候選區(qū)域，從而得到了具體的目標(biāo)候選區(qū)域。

s6、計(jì)算被跟蹤目標(biāo)區(qū)域和每個(gè)目標(biāo)候選區(qū)域的相似度；計(jì)算當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域和多個(gè)目標(biāo)候選區(qū)域之間的相似度，也可以理解為計(jì)算上一幀patch與下一幀的目標(biāo)候選patch之間的相似度，選取相似度得分最高的目標(biāo)候選區(qū)域作為當(dāng)前幀跟蹤到的目標(biāo)位置。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤方法，如圖3所示，步驟s6，計(jì)算被跟蹤目標(biāo)區(qū)域和每個(gè)目標(biāo)候選區(qū)域的相似度，包括：

s61、獲取包含每個(gè)目標(biāo)候選區(qū)域的外接矩形；在獲取重合較多的邊緣信息的目標(biāo)候選區(qū)域中得到其組成的最大包含每個(gè)目標(biāo)候選區(qū)域的外接矩形，(矩形patch)。

s62、將被跟蹤目標(biāo)區(qū)域和外接矩形輸入比對(duì)神經(jīng)網(wǎng)絡(luò)模型；此比對(duì)神經(jīng)網(wǎng)絡(luò)模型主要是將被跟蹤目標(biāo)區(qū)域和目標(biāo)候選區(qū)域的相似度一次性計(jì)算出來(lái)，同時(shí)共享卷積層，此卷積層的作用主要用于將目標(biāo)候選區(qū)域的外接矩形映射到對(duì)應(yīng)位置的卷積特征；然后通過(guò)金字塔的池化層，將維度不一的卷積特征轉(zhuǎn)換為維度不一致的全連接輸入，此池化層的作用主要用于統(tǒng)一維度不一的卷積特征，從而降低卷積層的輸出的特征；再通過(guò)全連接層與上一層的所有結(jié)點(diǎn)進(jìn)行連接，此全連接層的作用主要用于綜合卷積特征。最后通過(guò)決策網(wǎng)絡(luò)采用softmax，計(jì)算得到當(dāng)前幀圖像中被跟蹤目標(biāo)區(qū)域與每一個(gè)候選區(qū)域的相似度。

s63、獲取最大的目標(biāo)候選區(qū)域得分。在上述步驟s62計(jì)算過(guò)后，進(jìn)而得到最大的目標(biāo)候選區(qū)域作為最終得到的跟蹤結(jié)果。

s7、根據(jù)相似度在多個(gè)目標(biāo)候選區(qū)域中確定目標(biāo)跟蹤區(qū)域；比如，在跟蹤某一車(chē)輛，當(dāng)采集了公路上的所有車(chē)輛為正樣本，行人為負(fù)樣本后，且已經(jīng)得到被跟蹤車(chē)輛的相似度，此時(shí)需要關(guān)注被跟蹤的所有很相似的車(chē)輛所在的范圍即為目標(biāo)跟蹤區(qū)域，從而進(jìn)一步為更新目標(biāo)的外觀做準(zhǔn)備。

s8、在目標(biāo)跟蹤區(qū)域內(nèi)確定被跟蹤目標(biāo)；在上述步驟s7中所有很相似的車(chē)輛中確認(rèn)出最終尋找的那個(gè)車(chē)輛為被跟蹤目標(biāo)。

s9、獲取被跟蹤目標(biāo)的當(dāng)前狀態(tài)。由于上述的車(chē)輛會(huì)在跟蹤的過(guò)程中運(yùn)動(dòng)，只有確定當(dāng)前的動(dòng)作，如確認(rèn)該被跟蹤目標(biāo)車(chē)輛是轉(zhuǎn)彎、直行、后退的狀態(tài)，也為進(jìn)一步更新做準(zhǔn)備。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤方法，還包括：

s10、根據(jù)當(dāng)前狀態(tài)更新網(wǎng)絡(luò)跟蹤模型，由于在跟蹤的過(guò)程中，會(huì)存在各種各樣的圖像信息，在獲取的正樣本和負(fù)樣本的圖像信息中，由于在跟蹤的過(guò)程中會(huì)出現(xiàn)被跟蹤目標(biāo)發(fā)生劇烈形變，如由于被其他目標(biāo)遮擋或出現(xiàn)相似物體干擾、尺度、旋轉(zhuǎn)或姿態(tài)或光照等等外觀會(huì)發(fā)生各種各樣的變化情況，需要更新樣本信息以適應(yīng)這些變化，從而保證跟蹤的魯棒性和自適應(yīng)性。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤方法，如圖4所示，步驟s10，根據(jù)當(dāng)前狀態(tài)更新網(wǎng)絡(luò)跟蹤模型，包括：

s101、定期采用長(zhǎng)期更新正樣本；長(zhǎng)期更新即為定期地使用較長(zhǎng)時(shí)間內(nèi)的正樣本進(jìn)行更新，其中在更新的過(guò)程中，由于舊的負(fù)樣本對(duì)于當(dāng)前幀通常是多于的，不相關(guān)的，都使用短期內(nèi)的負(fù)樣本作為參考更新正樣本。

s102、根據(jù)被跟蹤目標(biāo)當(dāng)前狀態(tài)，確定得分閾值；此處的當(dāng)前狀態(tài)為跟蹤狀態(tài)，即能否跟上目標(biāo)物體，所確定的得分閾值，作為下一步判斷得分的參考閾值。

s103、判斷最大的目標(biāo)候選區(qū)域得分是否小于得分閾值，若是，則采用短期更新正樣本，若否，則采用長(zhǎng)期更新正樣本；因?yàn)樽畲蟮哪繕?biāo)候選區(qū)域得分小于得分閾值說(shuō)明跟蹤失敗，失敗的原因可能是因?yàn)槿缒繕?biāo)物體車(chē)輛在轉(zhuǎn)彎或調(diào)頭時(shí)造成，所以首先需要更新目標(biāo)的外觀，既然跟蹤失敗，所以需要采用短時(shí)間內(nèi)采集的樣本信息進(jìn)行更新，盡可能地挽救這一失敗，當(dāng)?shù)梅指哂诘梅珠撝档臅r(shí)候，說(shuō)明跟蹤一切正常，可以使用較長(zhǎng)時(shí)間內(nèi)的正樣本進(jìn)行更新。

s104、更新被跟蹤目標(biāo)的尺度，因?yàn)樵谏鲜霾襟Es9中獲取被跟蹤目標(biāo)的當(dāng)前狀態(tài)后獲得到目標(biāo)的精確位置和尺寸，更新目標(biāo)尺度即為訓(xùn)練一個(gè)回歸模型來(lái)預(yù)測(cè)目標(biāo)的精確位置，在接下來(lái)的序列中，用這個(gè)模型來(lái)調(diào)整跟蹤的目標(biāo)位置。其中這個(gè)回歸模型包括平移變換和尺度變換，最終目的是為了得到被跟蹤目標(biāo)地精確結(jié)果。

實(shí)施例2

本實(shí)施例提供一種目標(biāo)跟蹤裝置，與實(shí)施例1中的目標(biāo)跟蹤方法相對(duì)應(yīng)，如圖5所示，包括如下單元：

建立單元511，用于根據(jù)當(dāng)前幀圖像建立網(wǎng)絡(luò)跟蹤模型；

第一確定單元512，用于確定包含被跟蹤目標(biāo)的當(dāng)前幀圖像；

第一獲取單元513，用于在當(dāng)前幀圖像中獲取被跟蹤目標(biāo)區(qū)域；

第二獲取單元514，用于獲取當(dāng)前幀的下一幀圖像；

第三獲取單元515，用于在下一幀圖像中獲取多個(gè)目標(biāo)候選區(qū)域；

計(jì)算單元516，用于計(jì)算被跟蹤目標(biāo)區(qū)域和每個(gè)目標(biāo)候選區(qū)域的相似度；

第二確定單元517，用于根據(jù)相似度在多個(gè)目標(biāo)候選區(qū)域中確定目標(biāo)跟蹤區(qū)域；

第三確定單元518，用于在目標(biāo)跟蹤區(qū)域內(nèi)確定被跟蹤目標(biāo)；

第四獲取單元519，用于獲取被跟蹤目標(biāo)的當(dāng)前狀態(tài)。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤裝置，如圖6所示，還包括：更新單元520，用于根據(jù)當(dāng)前狀態(tài)更新網(wǎng)絡(luò)跟蹤模型。

作為一種實(shí)現(xiàn)方式，本實(shí)施例裝置，如圖7所示，第三獲取單元515，包括：

第一獲取模塊5151，用于獲取當(dāng)前幀圖像的正樣本和負(fù)樣本；

第一檢測(cè)模塊5152，用于檢測(cè)下一幀圖像邊緣信息，

第二檢測(cè)模塊5153，用于在當(dāng)前幀圖像中檢測(cè)被跟蹤目標(biāo)區(qū)域與圖像邊緣信息重合的邊緣信息。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤裝置，如圖8所示，計(jì)算單元516，包括：

第二獲取模塊5161，用于獲取包含每個(gè)目標(biāo)候選區(qū)域的外接矩形；

輸入模塊5162，用于將被跟蹤目標(biāo)區(qū)域和外接矩形輸入比對(duì)神經(jīng)網(wǎng)絡(luò)模型；

第三獲取模塊5163，用于獲取最大的目標(biāo)候選區(qū)域得分。

作為一種實(shí)現(xiàn)方式，本實(shí)施例中目標(biāo)跟蹤裝置，如圖8所示，更新單元520，包括：

第一更新模塊5201，用于定期采用長(zhǎng)期更新正樣本；

確定模塊5202，用于根據(jù)被跟蹤目標(biāo)的當(dāng)前狀態(tài)，確定得分閾值；

判斷模塊5203，用于判斷最大的目標(biāo)候選區(qū)域得分是否小于得分閾值；若是，則采用短期更新正樣本，若否，則采用長(zhǎng)期更新正樣本；

第二更新模塊5204，用于更新被跟蹤目標(biāo)的尺度。

顯然，上述實(shí)施例僅僅是為清楚地說(shuō)明所作的舉例，而并非對(duì)實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。而由此所引伸出的顯而易見(jiàn)的變化或變動(dòng)仍處于本發(fā)明創(chuàng)造的保護(hù)范圍之中。