[发明专利]长时间单目标跟踪方法及系统

权利要求书

1.一种长时间单目标跟踪方法，其特征在于，包括：

步骤S1：预先训练好指定类别的目标的分类模型及检测模型并部署至移动端，执行步骤S2；

步骤S2：利用所述检测模型对所述移动端的待处理图像进行目标检测，并选取检测到的所有所述指定类别的目标中置信度最高的目标作为初始化目标，执行步骤S3；

步骤S3：获取所述待处理图像的下一帧图像的图像特征，并以所述初始化目标为基础进行实时跟踪，得到所述下一帧图像中的跟踪目标区域，执行步骤S4；以及，

步骤S4：利用所述分类模型对所述跟踪目标区域进行分类，并在所述跟踪目标区域是所述指定类别时，返回步骤S3，在所述跟踪目标区域不是所述指定类别时，返回步骤S2；

预先训练所述分类模型的步骤包括：

提供第一样本图像，并标注出所述第一样本图像中的第一感兴趣区域；

提取所述第一感兴趣区域的灰度图像作为第一训练样本数据集；

判断所述第一训练样本数据集中的所述指定类别的目标的复杂性类型，并根据所述复杂性类型确定需要训练的分类模型的类型；以及，

利用所述第一训练样本数据集对已确定类型的分类模型进行训练；

在提取所述第一感兴趣区域的灰度图像之后，还对所述第一感兴趣区域的灰度图像进行数据增强操作，以得到所述第一训练样本数据集，所述数据增强操作包括：

以所述第一感兴趣区域的灰度图像的中心为原点，对所述第一感兴趣区域的灰度图像中的所述指定类别的目标进行预定角度的旋转、随机裁剪及镜像变换中的一种或多种操作；

判断所述第一训练样本数据集中的所述指定类别的目标的复杂性类型的步骤包括：

对所述第一训练样本数据集中的每个所述指定类别的目标进行实例分割标注，得到目标实例区域掩膜；

计算所述第一训练样本数据集中的每个所述指定类别的目标的纹理特征并进行归一化，得到纹理特征归一化值；

计算所述第一训练样本数据集中的每个所述指定类别的目标在所述目标实例区域掩膜内的纹理特征归一化值的均值，作为归一化平均值；以及，

获取所述第一训练样本数据集中的所有所述指定类别的目标的归一化平均值的均值，作为统计均值；以及，

当所述统计均值大于第一预定阈值时，判定所述指定类别的目标的复杂性类型为复杂类型，当所述统计均值小于或等于所述第一预定阈值时，判定所述指定类别的目标的复杂性类型为简单类型。

2.如权利要求1所述的长时间单目标跟踪方法，其特征在于，当所述指定类别的目标的复杂性类型为复杂类型时，所述分类模型的类型为深度学习分类模型；当所述指定类别的目标的复杂性类型为简单类型时，所述分类模型的类型为svm分类模型；以及，

当所述指定类别的目标的复杂性类型为复杂类型时，所述图像特征为灰度特征及HOG特征；当所述指定类别的目标的复杂性类型为简单类型时，所述图像特征为灰度特征。

3.如权利要求1所述的长时间单目标跟踪方法，其特征在于，预先训练所述检测模型的步骤包括：

提供第二样本图像，并标注出所述第二样本图像中的第二感兴趣区域；

根据标注好的所述第二样本图像基于预先确定的深度学习框架制作第二训练样本数据集；以及，

利用所述第二训练样本数据集对所述检测模型进行训练。

4.如权利要求3所述的长时间单目标跟踪方法，其特征在于，在利用所述第二训练样本数据集对所述检测模型进行训练时，利用通用推理加速框架进行模型推理加速。

5.如权利要求1所述的长时间单目标跟踪方法，其特征在于，利用所述检测模型对所述移动端的待处理图像进行目标检测之前，还包括：

对所述待处理图像进行灰度处理，得到所述待处理图像的灰度图像；

对所述待处理图像的灰度图像的像素以及尺寸进行归一化。

6.如权利要求1或5所述的长时间单目标跟踪方法，其特征在于，利用所述检测模型对所述待处理图像进行目标检测之后，还包括：

遍历所有检测到的目标，并丢弃置信度小于第二预定阈值的目标；以及，

对剩余的所述目标应用非极大值抑制算法，得到所述指定类别的目标。