[发明专利]一种目标跟踪方法、装置、设备及存储介质

说明书

本申请提供一种目标跟踪方法、装置、设备及存储介质，其中，获取包括运动对象的第一视频流；基于所述第一视频流的画面内容，确定数据量小于预设数据量阈值的目标网络模型；以及基于所述目标网络模型对所述第一视频流中的所述运动对象进行跟踪，得到所述运动对象的跟踪信息；这样，既能够提高跟踪的准确度，还能够使得该目标网络模型在低功耗、低算力设备上实现多目标跟踪。

技术领域

本申请实施例涉及图像处理领域，涉及但不限于一种目标跟踪方法、装置、设备及存储介质。

背景技术

在运动视频理解的场景中，摄像机的视角会产生移动，视频中的运动对象在移动的过程中也会互相遮挡，导致场景非常复杂，而且边缘设备的算力有限，这样使得多目标跟踪与运动视频理解的精度受到很大的影响。

发明内容

本申请实施例提供一种目标跟踪技术方案。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种目标跟踪方法，所述方法包括：

获取包括运动对象的第一视频流；

基于所述第一视频流的画面内容，确定数据量小于预设数据量阈值的目标网络模型；以及

基于所述目标网络模型对所述第一视频流中的所述运动对象进行跟踪，得到所述运动对象的跟踪信息。

在一些实施例中，所述基于所述第一视频流的画面内容，确定数据量小于预设数据量阈值的目标网络模型，包括：基于所述第一视频流的画面内容，在预设数据库中查找与所述画面内容相匹配的目标网络模型；其中，所述预设数据库用于存储数据类型为预设类型的网络模型。如此，能够提高调用目标网络模型的速度，从而提高对运动对象进行跟踪的速度。

在一些实施例中，所述基于所述第一视频流的画面内容，确定数据量小于预设数据量阈值的目标网络模型，包括：基于所述第一视频流的画面内容，确定用于对所述运动对象进行跟踪的初始网络模型；以及将所述初始网络模型的数据类型转换为预设类型，得到所述目标网络模型。如此，能够实现对初始网络模型的量化，使得到的目标网络模型的数据量较小，从而能够在低算力、低功耗设备上运动该目标网络模型。

在一些实施例中，所述基于所述目标网络模型对所述第一视频流中的所述运动对象进行跟踪，得到所述运动对象的跟踪信息，包括：基于所述目标网络模型的功能，对所述第一视频流进行跳帧，得到目标视频帧；以及基于所述目标网络模型对所述目标视频帧中的所述运动对象进行跟踪，得到所述跟踪信息。如此，通过按照目标网络模型的功能，对第一视频流进行跳帧，这样对目标视频帧中的运动对象进行跟踪，能够减少目标网络模型的计算量。

在一些实施例中，在所述运动对象为至少一个的情况下，所述基于所述第一视频流的画面内容，确定用于对所述画面内容进行目标跟踪的初始网络模型，包括：在所述画面内容中确定所述至少一个运动对象的类别，得到至少一个类别；以及确定每一类别匹配的初始网络模型，得到至少一个初始网络模型。如此，能够使得到的初始网络模型更加匹配该视频流中的运动对象，进而能够提高对该运动对象进行跟踪的精度。

在一些实施例中，在所述至少一个运动对象包括第一类运动对象和第二类运动对象的情况下，所述第二类运动对象为可被操作的运动对象，所述第一类运动对象可执行操作行为的运动对象，所述至少一个初始网络模型包括初始分类模型、初始重识别模型、初始跟踪模型和初始检测模型，所述确定每一类别匹配的初始网络模型，得到至少一个初始网络模型，包括：确定对所述第二类运动对象进行分类的初始分类模型；确定对所述第一类运动对象进行重识别的初始重识别模型和对所述第一类运动对象进行跟踪的初始跟踪模型；以及确定对所述第二类运动对象和所述第一类运动对象进行检测的初始检测模型。如此，为不同类的运动对象确定多个初始网络模型，能够更加精确地实现对每一类运动对象的实时跟踪。