目标跟踪方法、装置、计算机可读存储介质及终端设备制造方法及图纸

本申请属于目标跟踪计算领域，尤其涉及一种目标跟踪方法、装置、计算机可读存储介质及终端设备。所述方法包括：获取预设的跟踪器输出的第一跟踪短轨迹；对所述第一跟踪短轨迹进行切分，得到各个短轨迹切片；分别提取各个短轨迹切片的切片特征；根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，得到第二跟踪短轨迹。通过本申请，可以基于现有跟踪器输出的跟踪结果，将跟踪短轨迹切分为更小的切片，并基于切片特征进行重组，从而得到更加优化的跟踪结果。在这一切分重组的过程中，以切片特征为依据，可以对跟踪结果中由于受到无关信息影响所产生的错误段进行纠正，极大提高了跟踪准确率。跟踪准确率。跟踪准确率。

【技术实现步骤摘要】
目标跟踪方法、装置、计算机可读存储介质及终端设备


[0001]本申请属于目标跟踪计算领域，尤其涉及一种目标跟踪方法、装置、计算机可读存储介质及终端设备。

技术介绍

[0002]随着人工智能技术的发展与进步，跟踪算法已经大量应用于社会生活的方方面面，例如，基于跟踪算法的相关人员轨迹跟踪系统和商场门店客流计数系统等，极大地方便了人们的工作和生活。
[0003]现有的跟踪算法主要是采用分类网络进行行人重识别(Re
‑
identification，ReID)特征的提取，这种特征来源较为单一，只依赖了图像的外观特征，且跟踪中对象会表现成框的形式，这种特征会提取到框中一些无关的信息，如遮挡情况下，其他目标的外观信息也会被提取到，从而在做跟踪关联时产生负影响，导致跟踪准确率较低。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种目标跟踪方法、装置、计算机可读存储介质及终端设备，以解决现有的目标跟踪方法容易受到无关信息影响，跟踪准确率较低的问题。
[0005]本申请实施例的第一方面提供了一种目标跟踪方法，可以包括：
[0006]获取预设的跟踪器输出的第一跟踪短轨迹；
[0007]对所述第一跟踪短轨迹进行切分，得到各个短轨迹切片；
[0008]分别提取各个短轨迹切片的切片特征；
[0009]根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，得到第二跟踪短轨迹。
[0010]在第一方面的一种具体实现方式中，所述分别提取各个短轨迹切片的切片特征，可以包括：
[0011]获取当前短轨迹切片的特征序列；其中，所述当前短轨迹切片为任意一个短轨迹切片，所述特征序列为各帧图像的重识别特征构成的序列；
[0012]使用预设的切片特征提取模型对所述当前短轨迹切片中各帧图像的重识别特征进行处理，得到所述当前短轨迹切片的切片特征。
[0013]在第一方面的一种具体实现方式中，所述切片特征提取模型可以为 transformer编码器；
[0014]在使用预设的切片特征提取模型对所述当前短轨迹切片中各帧图像分别对应的重识别特征进行处理之前，所述目标跟踪方法还可以包括：
[0015]获取预设的训练数据集合；其中，所述训练数据集合中包括预设数目的短轨迹切片样本的特征序列和分类标签；
[0016]以每个短轨迹切片样本的特征序列为输入，以每个短轨迹切片样本的分类标签为预期输出，对预设的分类模型进行训练；其中，所述分类模型包括 transformer编码器和全
连接层；
[0017]将训练完成后的transformer编码器作为所述切片特征提取模型。
[0018]在第一方面的一种具体实现方式中，所述根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，可以包括：
[0019]判断第一短轨迹切片和第二短轨迹切片是否满足预设的时间约束条件；其中，所述第一短轨迹切片和所述第二短轨迹切片为任意两个不同的短轨迹切片；
[0020]若所述第一短轨迹切片和所述第二短轨迹切片满足所述时间约束条件，则计算第一切片特征和第二切片特征之间的切片特征相似度；其中，所述第一切片特征为所述第一短轨迹切片的切片特征，所述第二切片特征为所述第二短轨迹切片的切片特征；
[0021]若所述切片特征相似度大于预设的切片特征相似度阈值，则将所述第一短轨迹切片和所述第二短轨迹切片进行合并。
[0022]在第一方面的一种具体实现方式中，所述时间约束条件可以为：所述第一短轨迹切片和所述第二短轨迹切片在时间上的交集为空，且所述第一短轨迹切片和所述第二短轨迹切片之间的时间间隔小于预设的间隔阈值。
[0023]在第一方面的一种具体实现方式中，所述计算第一切片特征和第二切片特征之间的切片特征相似度，可以包括：
[0024]计算所述第一切片特征和所述第二切片特征之间的余弦相似度；
[0025]将所述余弦相似度作为所述切片特征相似度。
[0026]在第一方面的一种具体实现方式中，所述对所述第一跟踪短轨迹进行切分，可以包括：
[0027]按照预设的切片帧数对所述第一跟踪短轨迹进行平均切分；
[0028]或
[0029]获取所述第一跟踪短轨迹中各帧图像的重识别特征；
[0030]计算第一图像的重识别特征和第二图像的重识别特征之间的重识别特征相似度；其中，所述第一图像和所述第二图像为所述第一跟踪短轨迹中的任意两帧相邻图像；
[0031]若所述重识别特征相似度小于预设的重识别特征相似度阈值，则将所述第一跟踪短轨迹从所述第一图像和所述第二图像之间进行切分。
[0032]本申请实施例的第二方面提供了一种目标跟踪装置，可以包括：
[0033]跟踪短轨迹获取模块，用于获取预设的跟踪器输出的第一跟踪短轨迹；
[0034]跟踪短轨迹切分模块，用于对所述第一跟踪短轨迹进行切分，得到各个短轨迹切片；
[0035]切片特征提取模块，用于分别提取各个短轨迹切片的切片特征；
[0036]短轨迹切片合并模块，用于根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，得到第二跟踪短轨迹。
[0037]在第二方面的一种具体实现方式中，所述切片特征提取模块可以包括：
[0038]特征序列获取单元，用于获取当前短轨迹切片的特征序列；其中，所述当前短轨迹切片为任意一个短轨迹切片，所述特征序列为各帧图像的重识别特征构成的序列；
[0039]模型处理单元，用于使用预设的切片特征提取模型对所述当前短轨迹切片中各帧图像的重识别特征进行处理，得到所述当前短轨迹切片的切片特征。
[0040]在第二方面的一种具体实现方式中，所述切片特征提取模型可以为 transformer编码器；
[0041]所述目标跟踪装置还可以包括：
[0042]模型训练模块，用于获取预设的训练数据集合；其中，所述训练数据集合中包括预设数目的短轨迹切片样本的特征序列和分类标签；以每个短轨迹切片样本的特征序列为输入，以每个短轨迹切片样本的分类标签为预期输出，对预设的分类模型进行训练；其中，所述分类模型包括transformer编码器和全连接层；将训练完成后的transformer编码器作为所述切片特征提取模型。
[0043]在第二方面的一种具体实现方式中，所述短轨迹切片合并模块可以包括：
[0044]约束条件判断单元，用于判断第一短轨迹切片和第二短轨迹切片是否满足预设的时间约束条件；其中，所述第一短轨迹切片和所述第二短轨迹切片为任意两个不同的短轨迹切片；
[0045]切片特征相似度计算单元，用于若所述第一短轨迹切片和所述第二短轨迹切片满足所述时间约束条件，则计算第一切片特征和第二切片特征之间的切片特征相似度；其中，所述第一切片特征为所述第一短轨迹切片的切片特征，所述第二切片特征为所述第二短轨迹切片的切片特征；
[0046]短轨迹切片合并单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：获取预设的跟踪器输出的第一跟踪短轨迹；对所述第一跟踪短轨迹进行切分，得到各个短轨迹切片；分别提取各个短轨迹切片的切片特征；根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，得到第二跟踪短轨迹。2.根据权利要求1所述的目标跟踪方法，其特征在于，所述分别提取各个短轨迹切片的切片特征，包括：获取当前短轨迹切片的特征序列；其中，所述当前短轨迹切片为任意一个短轨迹切片，所述特征序列为各帧图像的重识别特征构成的序列；使用预设的切片特征提取模型对所述当前短轨迹切片中各帧图像的重识别特征进行处理，得到所述当前短轨迹切片的切片特征。3.根据权利要求2所述的目标跟踪方法，其特征在于，所述切片特征提取模型为transformer编码器；在使用预设的切片特征提取模型对所述当前短轨迹切片中各帧图像分别对应的重识别特征进行处理之前，还包括：获取预设的训练数据集合；其中，所述训练数据集合中包括预设数目的短轨迹切片样本的特征序列和分类标签；以每个短轨迹切片样本的特征序列为输入，以每个短轨迹切片样本的分类标签为预期输出，对预设的分类模型进行训练；其中，所述分类模型包括transformer编码器和全连接层；将训练完成后的transformer编码器作为所述切片特征提取模型。4.根据权利要求1所述的目标跟踪方法，其特征在于，所述根据各个短轨迹切片的切片特征，对各个短轨迹切片进行合并，包括：判断第一短轨迹切片和第二短轨迹切片是否满足预设的时间约束条件；其中，所述第一短轨迹切片和所述第二短轨迹切片为任意两个不同的短轨迹切片；若所述第一短轨迹切片和所述第二短轨迹切片满足所述时间约束条件，则计算第一切片特征和第二切片特征之间的切片特征相似度；其中，所述第一切片特征为所述第一短轨迹切片的切片特征，所述第二切片特征为所述第二短轨迹切片的切片特征；若所述切片特征相似度大于预设的切片特征相似度阈值，则将所述第...

【专利技术属性】
技术研发人员：程啸，黄哲，肖嵘，王孝宇，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：