[发明专利]目标跟踪方法、装置、计算机设备和存储介质

权利要求书

1.一种目标跟踪方法，其特征在于，所述方法包括：

获取目标对象的模板图像帧和所述目标对象的检测图像帧；

将所述模板图像帧和所述检测图像帧输入预设的目标跟踪网络模型中，得到所述检测图像帧上所述目标对象的跟踪框；所述跟踪框用于标定所述目标对象；

其中，所述目标跟踪网络模型包括孪生网络与全卷积一阶段目标检测网络；所述孪生网络用于提取所述模板图像帧的特征和所述检测图像帧的特征；所述全卷积一阶段目标检测网络用于对所述目标对象的跟踪框进行分类与回归。

2.根据权利要求1所述的方法，其特征在于，所述将所述模板图像帧和所述检测图像帧输入预设的目标跟踪网络模型中，得到所述检测图像帧上所述目标对象的跟踪框，包括：

将所述模板图像帧和所述检测图像帧输入至所述孪生网络进行特征提取，得到所述模板图像帧和所述检测图像帧的综合特征图；

将所述综合特征图输入所述全卷积一阶段目标检测网络中，对所述综合特征图中的每一特征点进行回归和分类操作，得到所述检测图像帧上所述目标对象的跟踪框。

3.根据权利要求1或2所述的方法，其特征在于，所述目标跟踪网络模型的训练过程，包括：

获取多个对象的样本模板图像帧和样本检测图像帧；

将所述多个对象的样本模板图像帧和样本检测图像帧输入至所述初始目标跟踪网络模型中的初始孪生网络中，得到所述多个对象的样本模板图像帧和样本检测图像帧的样本综合特征图；

将所述样本综合特征图输入至所述初始目标跟踪网络模型中的初始全卷积一阶段目标检测网络中，对所述样本综合特征图中的每一点进行回归操作，以训练所述初始目标跟踪网络模型，直到所述初始目标跟踪网络模型的损失函数的值的变化幅度处于预设范围内，得到所述目标跟踪网络模型。

4.根据权利要求3所述的方法，其特征在于，所述初始孪生网络的基网络包括第一残差网络和与所述第一残差网络完全相同的第二残差网络；

所述将所述多个对象的样本模板图像帧和样本检测图像帧输入至所述初始目标跟踪网络模型中的初始孪生网络中，得到所述多个对象的样本模板图像帧和样本检测图像帧的样本综合特征图，包括：

将所述样本模板图像帧输入所述第一残差网络中，以及将所述样本检测图像帧输入所述第二残差网络中；

分别对所述第一残差网络和所述第二残差网络中的多个预设卷积区块的输出，逐通道进行深度互相关操作，得到每个所述预设卷积区块的单个通道的深度互相关操作结果；

融合所有预设卷积区块的单个通道的深度互相关操作结果，得到所述样本模板图像帧和样本检测图像帧的样本综合特征图。

5.根据权利要求3所述的方法，其特征在于，所述初始全卷积一阶段目标检测网络包括三分支的头检测网络；所述三分支的头检测网络包括正样本分类分支网络和回归分支网络；

所述将所述样本综合特征图输入至所述初始目标跟踪网络模型中的初始全卷积一阶段目标检测网络中，对所述样本综合特征图中的每一点进行回归操作，包括：

在所述样本综合特征图输入所述三分支的头检测网络后，将所述样本综合特征图中的每一特征点映射到所述样本模板图像帧和所述样本检测图像帧中；

若映射到所述样本模板图像帧和所述样本检测图像帧的特征点处于所述样本模板图像帧和所述样本检测图像帧中的标注框范围内，则通过所述正样本分类分支网络确定所述特征点为正样本块；

通过所述回归分支网络回归所述特征点，得到所述特征点的跟踪框；所述跟踪框包括所述特征点分别到所述跟踪框四个边界的距离。

6.根据权利要求5所述的方法，其特征在于，所述通过所述回归分支网络回归所述特征点，得到所述特征点的跟踪框，包括：

若回归所述特征点得到多个跟踪框，则将面积最小的跟踪框确定为所述特征点的跟踪框。

7.根据权利要求3所述的方法，其特征在于，在将所述多个对象的样本模板图像帧和样本检测图像帧输入至所述初始目标跟踪网络模型中的初始孪生网络中之前，所述方法还包括：

采用随机采样的方法，对所述多个对象的中心点在对应样本检测图像帧的中心周围进行偏移。