目标跟踪方法、装置及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114140501A(43)申请公布日2022.03.04(21)申请号202210113197.4G06K9/62(2022.01)(22)申请日2022.01.30G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人南昌工程学院地址330099江西省南昌市高新区天祥大道289号(72)发明人郭波张渴望(74)专利代理机构北京中济纬天专利代理有限公司11429代理人黄攀(51)Int.Cl.G06T7/246(2017.01)G06V10/74(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书3页说明书11页附图6页(54)发明名称目标跟踪方法、装置及可读存储介质(57)摘要本发明公开了一种目标跟踪方法、装置及可读存储介质，该方法包括：获取待跟踪的视频序列中的第一帧图像；通过第一卷积神经网络对通用图像以及第一帧图像进行离线训练，以获得结构性特征；根据结构性特征生成用于对跟踪目标进行分类的分类器；获取待跟踪的视频序列中除第一帧图像以外的目标帧图像；将视频序列中的目标帧图像输入至分类器中进行分类，并通过第二深度卷积神经网络生成特征图；利用特征图以及上下文信息训练上下文滤波器以及尺度滤波器；将训练得到的上下文滤波器、尺度滤波器与特征图相结合，以对视频序列中目标帧图像的下一帧图像中的跟踪目标进行跟踪。本发明能够提升复杂背景下对目标的跟踪性能。CN114140501ACN114140501A权利要求书1/3页1.一种目标跟踪方法，其特征在于，包括：获取待跟踪的视频序列中的第一帧图像；通过第一卷积神经网络对通用图像以及所述第一帧图像进行离线训练，以获得结构性特征；根据所述结构性特征生成用于对跟踪目标进行分类的分类器；获取待跟踪的视频序列中除所述第一帧图像以外的目标帧图像；将所述视频序列中的目标帧图像输入至所述分类器中进行分类，并通过第二卷积神经网络生成特征图；利用所述特征图以及上下文信息训练上下文滤波器以及尺度滤波器，其中所述上下文信息表示当前帧图像与上一帧图像及下一帧图像之间的关联信息；将训练得到的所述上下文滤波器、所述尺度滤波器与所述特征图相结合，以对所述视频序列中目标帧图像的下一帧图像中的跟踪目标进行跟踪；其中，通过第一卷积神经网络对通用图像以及所述第一帧图像进行离线训练，以获得结构性特征的步骤包括：通过第一卷积神经网络对通用图像以及所述第一帧图像进行离线训练，以获得第一卷积神经网络模型；通过sigmoid分类器的分类层对所述第一卷积神经网络模型中的输出层进行替换，以获得改进后的第一卷积神经网络模型；通过改进后的第一卷积神经网络模型提取结构性特征。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述根据所述结构性特征生成用于对跟踪目标进行分类的分类器的方法包括如下步骤：根据改进后的第一卷积神经网络模型，从所述结构性特征中抽取得到n个子状态特征；通过元采样器采样得到每个子状态特征对应的状态特征标识符以及子状态特征权重值；为每个所述状态特征标识符对应的子状态特征分配对应的子分类器，每个所述子分类器与所述子状态特征权重值一一对应；将每个所述子分类器以及对应的所述子状态特征权重值进行归一化集成以生成所述用于对跟踪目标进行分类的分类器。3.根据权利要求2所述的目标跟踪方法，其特征在于，利用所述特征图以及上下文信息训练上下文滤波器以及尺度滤波器的步骤具体包括：在所述特征图中获取目标中心，在以所述目标中心为中心点的预设范围内，提取所有图块的特征用于构造训练样本，并通过所述训练样本以得到初始上下文滤波器和初始尺度滤波器；对所述训练样本进行更新，并采用更新后的训练样本对所述初始上下文滤波器和所述初始尺度滤波器进行更新计算，经过若干次迭代更新后，获取所述上下文滤波器和所述尺度滤波器。4.根据权利要求3所述的目标跟踪方法，其特征在于，将训练得到的所述上下文滤波器、所述尺度滤波器与所述特征图相结合，以对所述视频序列中目标帧图像的下一帧图像中的跟踪目标进行跟踪的步骤具体包括：2CN114140501A权利要求书2/3页在所述上下文滤波器中，将所述目标帧图像的上下文信息与所述特征图的卷积特征相结合，以定位所述目标帧图像的下一帧图像中的跟踪目标的位置；根据所述目标帧图像的下一帧图像中的跟踪目标的位置，使用所述尺度滤波器计算所述目标帧图像的下一帧图像中的跟踪目标的尺度；根据所述目标帧图像的下一帧图像中的跟踪目标的位置和尺度进行目标跟踪。5.根据权利要求1所述的目标跟踪方法，其特征在于，将训练得到的所述上下文滤波器、所述尺度滤波器与所述特征图相结合，以对所述视频序列中