[发明专利]一种目标跟踪方法、装置、设备及存储介质

权利要求书

1.一种目标跟踪方法，其特征在于，包括：

确定待跟踪帧图像与待跟踪目标的信息；

根据所述待跟踪帧图像以及所述信息对经过预训练的深度卷积网络模型以及孪生网络模型进行变量设定；

判断所述待跟踪帧图像是否属于所述孪生网络模型的跟踪帧；其中，所述孪生网络模型在所述深度卷积网络模型每处理目标数量的帧图像后启动；

若不属于，调用所述深度卷积网络模型根据所述待跟踪帧图像中的多层特征进行目标位置的预测，得到预测位置；

若属于，调用所述孪生网络模型通过两分支网络对所述待跟踪帧图像进行目标位置的重检测，得到预测位置。

2.如权利要求1所述的目标跟踪方法，其特征在于，调用所述深度卷积网络模型根据所述待跟踪帧图像中的多层特征进行目标位置的预测，包括：

提取目标区域图像的HOG特征；所述目标区域图像为所述待跟踪帧图像中的所述待跟踪目标的候选区域图像；

调用所述深度卷积网络模型对所述目标区域图像进行卷积操作；

提取所述卷积操作中生成的多卷积层特征值；

调用预训练的相关滤波器组根据所述多卷积层特征值以及所述HOG特征进行目标位置的预测；所述相关滤波器组中包括与特征值的总层数数量对应的相关滤波器，所述特征值包括所述多卷积层特征值以及所述HOG特征。

3.如权利要求2所述的目标跟踪方法，其特征在于，提取所述卷积操作中生成的多卷积层特征值，包括：

在所述卷积操作中生成的每个尺度的卷积层中提取池化前的末层卷积层的特征值。

4.如权利要求2所述的目标跟踪方法，其特征在于，在调用预训练的相关滤波器组根据所述多层特征值以及所述HOG特征进行目标位置的预测之后，还包括：

根据所述目标位置的预测得到的预测位置对所述相关滤波器组进行更新训练。

5.如权利要求1所述的目标跟踪方法，其特征在于，所述孪生网络模型包括：样本分支网络以及搜索分支网络，调用所述孪生网络模型通过两分支网络对所述待跟踪帧图像进行目标位置的重检测，包括：

调用所述样本分支网络提取标记有所述待跟踪目标的首帧图像中的所述待跟踪目标的特征，作为第一特征；

调用所述搜索分支网络提取目标区域图像的特征，作为第二特征；所述目标区域图像为所述待跟踪帧图像中的所述待跟踪目标的候选区域图像；

根据所述第一特征以及所述第二特征进行目标位置的预测。

6.如权利要求5所述的目标跟踪方法，其特征在于，根据所述第一特征以及所述第二特征进行目标位置的预测，包括：

将所述第一特征进行离散傅里叶变换，得到第一离散特征，将所述第二特征进行离散傅里叶变换，得到第二离散特征；

根据所述第一离散特征以及多数第二离散特征进行模型响应图的构造，并根据所述模型响应图进行目标位置的预测。

7.如权利要求1所述的目标跟踪方法，其特征在于，所述孪生网络模型具体为：判别式孪生网络模型。

8.一种目标跟踪装置，其特征在于，包括：

信息确定单元，用于确定待跟踪帧图像与待跟踪目标的信息；

变量设定单元，用于根据所述待跟踪帧图像以及所述信息对经过预训练的深度卷积网络模型以及孪生网络模型进行变量设定；

图像判断单元，用于判断所述待跟踪帧图像是否属于所述孪生网络模型的跟踪帧；其中，所述孪生网络模型在所述深度卷积网络模型每处理目标数量的帧图像后启动；若不属于，触发第一预测单元；若属于，触发第二预测单元；

所述第一预测单元，用于调用所述深度卷积网络模型根据所述待跟踪帧图像中的多层特征进行目标位置的预测，得到预测位置；

所述第二预测单元，用于调用所述孪生网络模型通过两分支网络对所述待跟踪帧图像进行目标位置的重检测，得到预测位置。