[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

说明书

本发明公开了基于深度网络和目标分割结合的目标跟踪方法及装置，包括：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；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；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；利用分割算法对所述初步坐标位置进行分割，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。本发明融合了孪生网络算法和目标分割算法的优点，提升跟踪精度保证运行速度，并且对孪生网络存在的类间跟踪漂移问题进行改善。

技术领域

本发明涉及计算机视觉跟踪技术领域，具体涉及一种基于深度网络和目标分割结合的目标跟踪方法及装置。

背景技术

人工智能发展迅速，机器对于各种信息的理解能力已经有了很大程度提升，其中计算机视觉是人工智能领域中的一个重要组成部分。目标跟踪问题是机器视觉领域中的一个关键问题，目标跟踪由于应用场景广泛也越来越被更多人重视。现阶段，计算机的计算能力日益增长，硬件设施的进一步完善不断推动人工智能领域发展，目标跟踪问题的研究越发被关注。

目前目标跟踪实用性前景宽广应用场景很多，是人工智能的重要组成部分。在日常生活中，包括火灾监控、交通事故监控、运动比赛的赛况分析、安防系统的跟踪功能设计等。但是，目前的目标跟踪领域也存在诸多难题和挑战，例如在跟踪过程中出现遮挡问题，画面分辨率低画面模糊问题，背景复杂有干扰因素出现等，以上问题的存在对跟踪算法要求较高。在目前的跟踪算法的研究中，能同时保证精确度和运行的速度，在这两个指标中做到均衡是主要的挑战。

回顾目标跟踪算法的发展历程，过去传统的跟踪算法主要方法是根据目标建模，或者对目标特征全局搜索实现跟踪。以此代表的两种跟踪思想：基于目标模型建模的方法和基于搜索的方法。其中，基于模型建模的方法是通过对目标外观模型进行建模，然后在此后的视频帧信息中找到目标，例如区域匹配、特征点跟踪、基于轮廓的跟踪算法、光流法等。在上述的方法中，最常用的是特征匹配法，提取目标的特征，然后在后续的帧中找到相似度最高的特征进行目标的定位，最常用的特征有SIFT特征，SUFT特征，Harris角点特征等。但缺点也很明显，人们发现基于目标模型建模的方法需要对整张图像进行处理，计算量较大导致实时性表现很差。基于搜索的方法，人们将预测算法加入跟踪算法中，在预测值得附近进行目标搜索，较少了搜索范围，因此速度有进一步提升，搜索算法常见的有：Kalman滤波、粒子滤波。

综上所述，传统的目标跟踪算法都有一个缺陷，就是没有把背景信息考虑在内，因此在背景复杂的情况下表现不佳，例如光照变化、目标遮挡、画面模糊的情况下极容易出现跟踪失败。而且，在跟踪速度上只能达到每秒钟10帧左右，速度达不到实时性要求。

发明内容

本发明的发明目的是提供一种基于深度网络和目标分割结合的目标跟踪方法及装置，将深度学习中的孪生网络算法与目标分割算法相结合来进行目标跟踪，在保持孪生网络在目标跟踪速度上的优势的基础上，提高目标跟踪的精度和稳定性。并且，本发明还在孪生网络基础上进行了改进，利用基于跟踪目标轨迹的方法抑制孪生网络先天缺点类间跟踪漂移问题，进一步提高了目标跟踪的精度。

为了实现上述发明目的，本发明提出以下技术方案：

本发明提供了一种基于深度网络和目标分割结合的目标跟踪算法，该方法包括以下步骤：

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跟踪，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；