[发明专利]基于深度网络和目标分割结合的目标跟踪方法及装置

权利要求书

1.基于深度网络和目标分割的高精度目标跟踪方法，其特征在于，包括以下步骤：

步骤1、获取目标图像和全局图像，利用孪生网络算法对所述目标区域图像和全局图像进行目标跟踪，得到跟踪结果；利用目标检测算法对所述全局图像进行目标检测，得到检测结果；

步骤2、检测同类间物体的跟踪漂移情况，利用基于目标跟踪轨迹的校正策略，对所述跟踪结果进行纠正；

步骤3、在纠正后的跟踪结果和检测结果中进行择优选择，得到初步坐标位置；

步骤4、分割算法利用所述初步坐标位置对目标进行分割，得到由若干轮廓节点组成的分割结果，得到最终的跟踪结果；

其中，利用基于目标跟踪轨迹的校正策略，对所述跟踪结果进行纠正，包括：

在同类物体数量超过预设值的情况下，利用基于轨迹的得分策略，对所述跟踪结果进行纠正；

在同类物体数量未超过预设值的情况下，利用遍历校正策略，对所述跟踪结果进行纠正；

所述遍历校正策略包括：当算法检测轨迹发生漂移，查询当前帧得分最高的物体位置并依次排列，得分最高且相近的位置则分别对应同类相似物体所在的位置；分别将对应位置进行遍历带入计算，计算轨迹漂移最小的即为纠正后的跟踪结果；

所述基于轨迹的得分策略包括：当算法检测轨迹发生漂移，在孪生网络算法的得分计算中加入基于轨迹的校正函数，对得分进行校正，以抑制同类间跟踪漂移问题；其中，取距离当前帧最近的前五帧轨迹，坐标信息分别为：L₁…L₅，当前帧坐标为L₆；所述校正函数包括第一校正项D₁和第二校正项D₂，分别如下：

其中，D₁表示当前帧L₆和上一帧L₅之间的距离，与当前帧前五帧的平均间距L_平均进行比较，如果当前帧位置偏移较大则进行校正；D₂表示当前帧L₆前五帧和上一帧L₅前五帧之间的方差比较，如果当前帧L₆前五帧方差较大则进行校正；ω₁和ω₂分别为第一修正项和第二修正项的权重；Score₁和Score分别是孪生网络计算得到的初始得分和修正后的得分；s是修正参数；

其中，在纠正后的跟踪结果和检测结果中进行择优选择，包括：

利用择优选择算法进行择优选择，所述择优选择算法C(L₁,L₂)如下：

其中，L₁为代表跟踪结果的方框，L₂为代表检测结果中i个位置信息的一组方框，i为正整数；IoU表示代表检测结果的方框和代表跟踪结果方框之间的重合比例，计算公式如下所示：

其中，表示代表跟踪结果的方框和代表检测结果中第i个定位信息的方框之间的重合比例，j为IoU对应的i值；公式如下：

其中，为代表跟踪结果的方框的面积，为代表检测结果中的第i个位置信息的方框的面积；

其中，分割算法利用所述初步坐标位置对目标进行分割，包括：利用所述初步坐标位置，采用基于深度网络的Snake分割算法进行分割，最终跟踪结果表示如下：

L_(x,y)＝Snake(L)；

L＝{(Max(x_j),Max(y_j))，(Min(x_j),Min(y_j))}；

其中，L_(x,y)为分割后轮廓的若干节点坐标，L为代表最终跟踪结果的方框，该方框以分割后轮廓的若干节点坐标中一组节点坐标的最大值和最小值为左上角右下角；Max(x_j)为分割后轮廓的若干节点坐标中横坐标最大值，Max(y_j)为分割后轮廓的若干节点坐标中纵坐标最大值，Min(x_j)为分割后轮廓的若干节点坐标中横坐标最小值，Min(y_j)为分割后轮廓的若干节点坐标中纵坐标最小值。

2.基于深度网络和目标分割的高精度目标跟踪装置，其特征在于，包括：

初始定位模块，用于获取目标图像和全局图像，利用孪生网络算法对所述目标区域图像和全局图像进行目标跟踪，得到跟踪结果；利用目标检测算法对所述全局图像进行目标跟踪，得到检测结果；

跟踪漂移抑制模块，用于检测同类间物体的跟踪漂移情况，利用基于目标跟踪轨迹的校正策略，对所述初始定位模块得到的跟踪结果进行纠正；

择优选择模块，用于在纠正后的跟踪结果和检测结果中进行择优选择，得到初步坐标位置；

分割模块，用于分割算法利用所述初步坐标位置对目标进行分割，得到由若干轮廓节点组成的分割结果，得到最终的跟踪结果；

其中，跟踪漂移抑制模块具体用于：

在同类物体数量超过预设值的情况下，利用基于轨迹的得分策略，对所述跟踪结果进行纠正；

在同类物体数量未超过预设值的情况下，利用遍历校正策略，对所述跟踪结果进行纠正；

所述遍历校正策略包括：当算法检测轨迹发生漂移，查询当前帧得分最高的物体位置并依次排列，得分最高且相近的位置则分别对应同类相似物体所在的位置；分别将对应位置进行遍历带入计算，计算轨迹漂移最小的即为纠正后的跟踪结果；

所述基于轨迹的得分策略包括：当算法检测轨迹发生漂移，在孪生网络算法的得分计算中加入基于轨迹的校正函数，对得分进行校正，以抑制同类间跟踪漂移问题；其中，取距离当前帧最近的前五帧轨迹，坐标信息分别为：L₁…L₅，当前帧坐标为L₆；所述校正函数包括第一校正项D₁和第二校正项D₂，分别如下：

其中，D₁表示当前帧L₆和上一帧L₅之间的距离，与当前帧前五帧的平均间距L_平均进行比较，如果当前帧位置偏移较大则进行校正；D₂表示当前帧L₆前五帧和上一帧L₅前五帧之间的方差比较，如果当前帧L₆前五帧方差较大则进行校正；ω₁和ω₂分别为第一修正项和第二修正项的权重；Score₁和Score分别是孪生网络计算得到的初始得分和修正后的得分，s是修正参数；

其中，择优选择模块具体用于：

利用择优选择算法进行择优选择，所述择优选择算法C(L₁,L₂)如下：

其中，L₁为代表跟踪结果的方框，L₂为代表检测结果中i个位置信息的一组方框，i为正整数；IoU表示代表检测结果的方框和代表跟踪结果方框之间的重合比例，计算公式如下所示：

其中，表示代表跟踪结果的方框和代表检测结果中第i个定位信息的方框之间的重合比例，j为IoU对应的i值；公式如下：

其中，为代表跟踪结果的方框的面积，为代表检测结果中的第i个位置信息的方框的面积；

其中，分割模块具体用于：

利用所述初步坐标位置，采用基于深度网络的Snake分割算法进行分割，最终跟踪结果表示如下：

L_(x,y)＝Snake(L)；

L＝{(Max(x_j),Max(y_j))，(Min(x_j),Min(y_j))}；

其中，L_(x,y)为分割后轮廓的若干节点坐标，L为代表最终跟踪结果的方框，该方框以分割后轮廓的若干节点坐标中一组节点坐标的最大值和最小值为左上角右下角；Max(x_j)为分割后轮廓的若干节点坐标中横坐标最大值，Max(y_j)为分割后轮廓的若干节点坐标中纵坐标最大值，Min(x_j)为分割后轮廓的若干节点坐标中横坐标最小值，Min(y_j)为分割后轮廓的若干节点坐标中纵坐标最小值。