本發(fā)明涉及圖像處理，具體涉及目標(biāo)跟蹤方法、裝置、移動(dòng)設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品。

背景技術(shù)：

1、計(jì)算機(jī)視覺(jué)是人工智能領(lǐng)域的重要分支，旨在研究如何讓計(jì)算機(jī)像人類視覺(jué)系統(tǒng)一樣智能地感知、分析、處理現(xiàn)實(shí)世界，而目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)中一項(xiàng)基本而又具有挑戰(zhàn)性的任務(wù)。目標(biāo)跟蹤，即給定視頻序列初始幀中目標(biāo)的位置和狀態(tài)，跟蹤器需要預(yù)測(cè)每個(gè)后續(xù)幀中的目標(biāo)位置和狀態(tài)。

2、近年來(lái)，目標(biāo)跟蹤因其在智能交通、人機(jī)交互、智能監(jiān)控等領(lǐng)域的廣泛應(yīng)用而受到廣泛的關(guān)注并取得了長(zhǎng)足的發(fā)展。在不同類型的跟蹤算法中，基于深度卷積神經(jīng)網(wǎng)絡(luò)的跟蹤算法因其強(qiáng)大的特征提取能力及高效的跟蹤方式逐漸取代了傳統(tǒng)手工特征的跟蹤算法成為跟蹤領(lǐng)域的主流。

3、然而，在真實(shí)世界的跟蹤場(chǎng)景中，由于受到攝像頭遮擋、背景雜波、快速運(yùn)動(dòng)以及光照變化等不良因素的干擾，跟蹤器難以自適應(yīng)場(chǎng)景的變化。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種目標(biāo)跟蹤方法、裝置、移動(dòng)設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品，以解決傳統(tǒng)目標(biāo)跟蹤方法容易受干擾，導(dǎo)致跟蹤器難以對(duì)不同場(chǎng)景做到自適應(yīng)的問(wèn)題。

2、第一方面，本發(fā)明提供了一種目標(biāo)跟蹤方法，該方法包括：

3、將目標(biāo)模板圖像和搜索區(qū)域圖像輸入訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)，得到目標(biāo)模板特征和搜索區(qū)域特征；

4、對(duì)目標(biāo)模板特征進(jìn)行特征過(guò)濾，得到目標(biāo)特征；

5、基于目標(biāo)特征和搜索區(qū)域特征進(jìn)行細(xì)粒度匹配，得到響應(yīng)圖；

6、基于響應(yīng)圖分別進(jìn)行特征分類和特征回歸，根據(jù)得到的分類特征圖和回歸特征圖，得到目標(biāo)跟蹤結(jié)果。

7、有益效果：分別提取目標(biāo)模板圖像和搜索區(qū)域圖像的特征，接著對(duì)目標(biāo)模板特征進(jìn)行特征過(guò)濾，得到目標(biāo)特征，以過(guò)濾背景雜波和相似性干擾物對(duì)匹配過(guò)程的干擾，能夠自適應(yīng)不同場(chǎng)景的變化，從而提高檢測(cè)準(zhǔn)確性。然后，基于目標(biāo)特征和搜索區(qū)域特征進(jìn)行細(xì)粒度匹配，并根據(jù)得到的響應(yīng)圖進(jìn)行分類回歸，實(shí)現(xiàn)目標(biāo)跟蹤，無(wú)須在跟蹤過(guò)程中預(yù)設(shè)錨框，靈活性更強(qiáng)，簡(jiǎn)潔有效。

8、在一種可選的實(shí)施方式中，對(duì)目標(biāo)模板特征進(jìn)行特征過(guò)濾，得到目標(biāo)特征，包括：

9、將預(yù)設(shè)的目標(biāo)檢測(cè)框映射至目標(biāo)模板特征，得到感興趣區(qū)域特征；

10、對(duì)感興趣區(qū)域特征進(jìn)行雙線性插值，得到目標(biāo)特征。

11、有益效果：通過(guò)對(duì)目標(biāo)模板特征進(jìn)行感興趣區(qū)域特征提取和雙線性插值，減小在后續(xù)搜索區(qū)域匹配時(shí)的匹配面積，減少背景雜波等干擾因素對(duì)匹配準(zhǔn)確性的影響。

12、在一種可選的實(shí)施方式中，將目標(biāo)模板圖像和搜索區(qū)域圖像輸入訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)，得到目標(biāo)模板特征和搜索區(qū)域特征，包括：

13、將目標(biāo)模板圖像輸入目標(biāo)跟蹤網(wǎng)絡(luò)的模板分支，并將搜索區(qū)域圖像輸入目標(biāo)跟蹤網(wǎng)絡(luò)的搜索分支；其中，模板分支和搜索分支為結(jié)構(gòu)相同且共享參數(shù)的移動(dòng)網(wǎng)絡(luò)；

14、根據(jù)模板分支和搜索分支分別進(jìn)行特征提取，得到目標(biāo)模板圖像對(duì)應(yīng)的目標(biāo)模板特征以及搜索區(qū)域圖像對(duì)應(yīng)的搜索區(qū)域特征。

15、有益效果：模板分支和搜索分支通過(guò)共享參數(shù)來(lái)提取目標(biāo)模板圖像和搜索區(qū)域圖像的特征，有效地減少模型的參數(shù)數(shù)量，提高模型的泛化能力和計(jì)算效率，從而實(shí)現(xiàn)對(duì)目標(biāo)的快速定位和準(zhǔn)確跟蹤。

16、在一種可選的實(shí)施方式中，移動(dòng)網(wǎng)絡(luò)包括深度可分離卷積層；在將目標(biāo)模板圖像輸入目標(biāo)跟蹤網(wǎng)絡(luò)的模板分支，并將搜索區(qū)域圖像輸入目標(biāo)跟蹤網(wǎng)絡(luò)的搜索分支之前，該方法還包括：

17、獲取當(dāng)前設(shè)備的剩余資源；

18、根據(jù)剩余資源的大小，調(diào)整深度可分離卷積層的寬度乘因子和分辨率乘因子；其中，寬度乘因子用于調(diào)整移動(dòng)網(wǎng)絡(luò)特征提取時(shí)的通道數(shù)，分辨率乘因子用于調(diào)整移動(dòng)網(wǎng)絡(luò)的輸入圖像的分辨率。

19、有益效果：結(jié)合當(dāng)前設(shè)備的剩余資源大小，來(lái)調(diào)整網(wǎng)絡(luò)輸入圖像的分辨率以及網(wǎng)絡(luò)在特征提取時(shí)的通道數(shù)，在保持性能的同時(shí)減少參數(shù)量和計(jì)算量，利于網(wǎng)絡(luò)的輕量化部署。

20、在一種可選的實(shí)施方式中，基于響應(yīng)圖分別進(jìn)行特征分類和特征回歸，根據(jù)得到的分類特征圖和回歸特征圖，得到目標(biāo)跟蹤結(jié)果，包括：

21、基于響應(yīng)圖進(jìn)行特征分類，得到兩通道的分類特征圖；分類特征圖的兩通道分別用于表征前景分類得分和背景分類得分；

22、基于響應(yīng)圖對(duì)目標(biāo)邊界框進(jìn)行預(yù)測(cè)，得到四通道的回歸特征圖；回歸特征圖的四通道分別用于表征目標(biāo)中心到目標(biāo)邊界框四個(gè)邊框的距離；

23、將分類特征圖和回歸特征圖進(jìn)行結(jié)合，得到目標(biāo)跟蹤結(jié)果。

24、有益效果：通過(guò)對(duì)響應(yīng)圖分別進(jìn)行特征分類和特征回歸，得到兩通道的分類特征圖以及四通道的回歸特征圖，以便將分類特征圖和回歸特征圖進(jìn)行結(jié)合，得到檢測(cè)結(jié)果，實(shí)現(xiàn)目標(biāo)跟蹤。

25、在一種可選的實(shí)施方式中，將分類特征圖和回歸特征圖進(jìn)行結(jié)合，得到目標(biāo)跟蹤結(jié)果，包括：

26、基于分類特征圖中前景分類得分最高的區(qū)域，得到目標(biāo)位置；

27、根據(jù)回歸特征圖以及目標(biāo)位置在回歸特征圖中對(duì)應(yīng)的目標(biāo)中心，確定目標(biāo)邊界框；

28、基于目標(biāo)位置和目標(biāo)邊界框，得到目標(biāo)跟蹤結(jié)果。

29、有益效果：通過(guò)將分類特征圖和回歸特征圖相結(jié)合，選取前景分類特征中前景得分最高的區(qū)域作為目標(biāo)位置，并通過(guò)回歸特征圖得到該目標(biāo)位置到預(yù)測(cè)邊界框的距離產(chǎn)生最終的檢測(cè)結(jié)果，無(wú)須在跟蹤過(guò)程中預(yù)設(shè)錨框，靈活性更強(qiáng)，節(jié)省了存儲(chǔ)和計(jì)算資源。

30、在一種可選的實(shí)施方式中，在基于響應(yīng)圖分別進(jìn)行特征分類和特征回歸之前，該方法還包括：

31、基于預(yù)設(shè)的余弦窗口函數(shù)，對(duì)響應(yīng)圖的權(quán)重進(jìn)行調(diào)整。

32、有益效果：通過(guò)余弦窗口對(duì)響應(yīng)圖進(jìn)行處理，提高目標(biāo)跟蹤過(guò)程的穩(wěn)定性和結(jié)果的準(zhǔn)確性。

33、在一種可選的實(shí)施方式中，基于目標(biāo)特征和搜索區(qū)域特征進(jìn)行細(xì)粒度匹配，得到響應(yīng)圖，包括：

34、利用預(yù)設(shè)卷積層對(duì)目標(biāo)特征進(jìn)行卷積；

35、將卷積后的目標(biāo)特征作為卷積核，對(duì)搜索區(qū)域特征進(jìn)行逐通道卷積，得到響應(yīng)圖。

36、有益效果：對(duì)目標(biāo)特征進(jìn)行卷積，利用卷積后的目標(biāo)特征作為卷積核，對(duì)搜索區(qū)域特征進(jìn)行逐通道卷積，使生成的響應(yīng)圖包含豐富的目標(biāo)模板特征信息。

37、在一種可選的實(shí)施方式中，在將目標(biāo)模板圖像和搜索區(qū)域圖像輸入訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)之前，該方法還包括：

38、根據(jù)交叉熵?fù)p失和交并比損失，構(gòu)建目標(biāo)損失函數(shù)；

39、基于目標(biāo)損失函數(shù)對(duì)初始的目標(biāo)跟蹤網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)。

40、有益效果：基于交叉熵?fù)p失和交并比損失構(gòu)建目標(biāo)損失函數(shù)，從而對(duì)初始的目標(biāo)跟蹤網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以便使用訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)進(jìn)行目標(biāo)跟蹤。

41、第二方面，本發(fā)明提供了一種目標(biāo)跟蹤裝置，該裝置包括：

42、第一處理模塊，用于將目標(biāo)模板圖像和搜索區(qū)域圖像輸入訓(xùn)練好的目標(biāo)跟蹤網(wǎng)絡(luò)，得到目標(biāo)模板特征和搜索區(qū)域特征；

43、第二處理模塊，用于對(duì)目標(biāo)模板特征進(jìn)行特征過(guò)濾，得到目標(biāo)特征；

44、第三處理模塊，用于基于目標(biāo)特征和搜索區(qū)域特征進(jìn)行細(xì)粒度匹配，得到響應(yīng)圖；

45、第四處理模塊，用于基于響應(yīng)圖分別進(jìn)行特征分類和特征回歸，根據(jù)得到的分類特征圖和回歸特征圖，得到目標(biāo)跟蹤結(jié)果。

46、第三方面，本發(fā)明提供了一種移動(dòng)設(shè)備，包括：存儲(chǔ)器和處理器，存儲(chǔ)器和處理器之間互相通信連接，存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)指令，處理器通過(guò)執(zhí)行計(jì)算機(jī)指令，從而執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的目標(biāo)跟蹤方法。

47、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的目標(biāo)跟蹤方法。

48、第五方面，本發(fā)明提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的目標(biāo)跟蹤方法。

49、本發(fā)明的有益效果為：

50、分別提取目標(biāo)模板圖像和搜索區(qū)域圖像的特征，接著對(duì)目標(biāo)模板特征進(jìn)行特征過(guò)濾，得到目標(biāo)特征，以過(guò)濾背景雜波和相似性干擾物對(duì)匹配過(guò)程的干擾，能夠自適應(yīng)不同場(chǎng)景的變化，從而提高檢測(cè)準(zhǔn)確性。然后，基于目標(biāo)特征和搜索區(qū)域特征進(jìn)行細(xì)粒度匹配，并根據(jù)得到的響應(yīng)圖進(jìn)行分類回歸，實(shí)現(xiàn)目標(biāo)跟蹤，無(wú)須在跟蹤過(guò)程中預(yù)設(shè)錨框，靈活性更強(qiáng)，簡(jiǎn)潔有效。