[发明专利]复杂场景下单目标跟踪系统、方法、电子设备及存储介质

说明书

本发明公开了复杂场景下单目标跟踪系统、方法、电子设备及存储介质，所述跟踪系统包括：预处理模块，用于执行：根据传入的违规模板边框对初始的目标帧以及后续的视频帧进行处理，得到模板区域和搜索区域；将目标模板区域传入再识别网络，得到目标的初始特征；跟踪初筛模块，用于执行：获取所述预处理模块的模板区域和搜索区域，将二者传入深度学习的单目标跟踪算法，然后通过NMS算法筛选出置信度高的前10个候选跟踪框，然后将前10个候选跟踪框传入特征对比模块；特征对比模块，用于执行：分别比较前10个候选跟踪框与目标初始特征的余弦相似度，根据相似度选出最佳的目标跟踪框；阈值联动模块，用于执行：根据输出候选边框的置信度，来调整所述预处理模块中的候选模板的搜索区域的大小。

技术领域

本发明涉及一种复杂场景下单目标跟踪系统、方法、电子设备及存储介质，属于视频监控安防技术领域。

背景技术

目标跟踪是计算机视觉研究中的重要组成部分，在监控安防，无人驾驶，精确制导等领域存在巨大的应用需求。这些应用场景可分为民用领域与军用领域，两类领域分别具有自身的特点。在民用领域，由于目标出现时刻、时长存在不确定性，视频监控系统需要长时间、高稳定性地执行工作；在军事领域，高速机动目标的飞行速度可以超过5马赫，要求跟踪系统在复杂的战场环境中保证实时性与准确性。正是由于存在上述情况，且人工识别并标记待跟踪目标难以满足实际应用的对跟踪系统的要求，研究替代人工方法的目标跟踪算法具有重要意义。

近年来，基于深度学习的孪生网络系列的单目标跟踪算法获得了很大的进步，但是在实际场景中的，目标遇到的干扰更加极端复杂，因此极大的降低了跟踪的性能。

专利1：《一种鲁棒的基于深度学习的单目标跟踪方法》 CN201910882990.9。其设计要点是通过设置阈值决定是否启动模板更新，并利用置信度更新模板，通过利用目标的变化及时更新特征，以此来避免了由于更新模板带来的错误跟踪。专利2：《一种基于多特征的单目标跟踪方法》，CN110807794A。其设计采用相关滤波器跟踪方法分别对卷积特征和差分图像特征进行相关操作,对相关操作得到的响应图进行融合后,以融合结果为动态目标坐标修正依据对目标进行跟踪。

发明内容

现有技术的缺点如下：专利1：《一种鲁棒的基于深度学习的单目标跟踪方法》，其设计的主要缺点是采用跟踪的得分设定阈值来更新目标的模板，但是一旦附近有多个同属性的目标，极有可能跟踪到其他目标同时依旧具有较高的置信度，导致在接下来的模板更新错误，则彻底跟丢目标；专利2：《一种基于多特征的单目标跟踪方法》，其设计的主要缺点是依旧使用的是传统的目标跟踪算法，当目标出现较大的形变以及光照变化、遮挡的时候，目标依旧会跟丢，带来后续的误报等情况。

本发明的目的在于，克服现有技术存在的技术缺陷，解决上述技术问题，提出一种复杂场景下单目标跟踪系统、方法、电子设备及存储介质，该系统及方法通过利用当前最新的基于深度学习的单目标跟踪算法和再识别网络，创新性的将二者结合在一起，极大的提升了目标在干扰、光照、剧烈形变等极端情况下稳定跟踪的性能，同时采用阈值反馈调整搜索区域，当目标短暂性消失后再次，该系统及方法依旧可以实现识别并且稳定跟踪的能力。

本发明具体采用如下技术方案：复杂场景下单目标跟踪系统，包括：

预处理模块，用于执行：根据传入的违规模板边框对初始的目标帧以及后续的视频帧进行处理，得到模板区域和搜索区域；将目标模板区域传入再识别网络，得到目标的初始特征；

跟踪初筛模块，用于执行：获取所述预处理模块的模板区域和搜索区域，将二者传入深度学习的单目标跟踪算法，然后通过NMS算法筛选出置信度高的前10个候选跟踪框，然后将前10个候选跟踪框传入特征对比模块；

特征对比模块，用于执行：分别比较前10个候选跟踪框与目标初始特征的余弦相似度，根据相似度选出最佳的目标跟踪框；

阈值联动模块，用于执行：根据输出候选边框的置信度，来调整所述预处理模块中的候选模板区域和搜索区域的大小。