CN112037256A - 目标跟踪方法、装置、终端设备及计算机可读存储介质 - Google Patents

Abstract

本申请适用于目标跟踪技术领域，尤其涉及一种目标跟踪方法、装置、终端设备及计算机可读存储介质。该方法通过检测前后两帧图像中目标物体的包围框的重叠度，当重叠度大于重叠度阈值时将确定后帧图像的包围框为目标包围框，对比前帧图像的包围框中目标物体的第一目标特征与目标包围框中目标物体的第二目标特征，当第一目标特征与第二目标特征相似时将前帧图像的包围框的标识信息作为目标包围框的标识信息，从而实现了对前后帧图像中目标物体的跟踪，通过检测包围框的重叠度可以有效地降低目标跟丢的情况，再结合目标特征的识别可以避免跟错目标，提高了目标跟踪的准确性。

Description

目标跟踪方法、装置、终端设备及计算机可读存储介质

技术领域

本申请属于目标跟踪技术领域，尤其涉及一种目标跟踪方法、装置、终端设备及计算机可读存储介质。

背景技术

为了城市出行的安全，对城市监控摄像头下的行人、车辆等目标的跟踪显得尤为重要。现有的跟踪方法大部分是基于卡尔曼滤波跟踪器来实现，但是这种方法在目标被局部遮挡或完全遮挡时预测目标位置信息的效果较差，从而无法准确地进行目标跟踪，容易出现跟错、跟丢等现象。

发明内容

本申请提供了一种目标跟踪方法、装置、终端设备及计算机可读存储介质，可以解决现有技术在进行目标跟踪时准确性较低的问题。

第一方面，本申请实施例提供了一种目标跟踪方法，所述目标跟踪方法包括：

获取第一帧图像中目标物体的第一包围框和所述第一包围框的标识信息，其中，所述标识信息为所述第一包围框中物体的跟踪标识；

获取第二帧图像中所述目标物体的第二包围框，所述第二帧图像与所述第一帧图像相邻且时间上后继于所述第一帧图像；

检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值；

若所述第一包围框与所述第二包围框的重叠度大于重叠度阈值，则将所述第二包围框作为目标包围框；

获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征；

检测所述第一目标特征与所述第二目标特征的相似度是否大于相似度阈值；

若所述第一目标特征与所述第二目标特征的相似度大于相似度阈值，则将所述第一包围框的标识信息作为所述目标包围框的标识信息。

第二方面，本申请实施例提供了一种目标跟踪装置，所述目标跟踪装置包括：

第一获取模块，用于获取第一帧图像中目标物体的第一包围框和所述第一包围框的标识信息，其中，所述标识信息为所述第一包围框中物体的跟踪标识；

第二获取模块，用于获取第二帧图像中所述目标物体的第二包围框，所述第二帧图像与所述第一帧图像相邻且时间上后继于所述第一帧图像；

重叠度检测模块，用于检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值；

目标确定模块，用于在所述第一包围框与所述第二包围框的重叠度大于重叠度阈值时，将所述第二包围框作为目标包围框；

特征获取模块，用于获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征；

相似度检测模块，用于检测所述第一目标特征与所述第二目标特征的相似度是否大于相似度阈值；

跟踪处理模块，用于在所述第一目标特征与所述第二目标特征的相似度大于相似度阈值时，将所述第一包围框的标识信息作为所述目标包围框的标识信息。

第三方面，本申请实施例提供了一种终端设备，包括处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的目标跟踪方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的目标跟踪方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得所述终端设备执行如上述第一方面所述的目标跟踪方法。

本申请实施例与现有技术相比存在的有益效果是：本申请通过检测前后两帧图像中目标物体的包围框的重叠度，当重叠度大于重叠度阈值时将确定后帧图像的包围框为目标包围框，对比前帧图像的包围框中目标物体的第一目标特征与目标包围框中目标物体的第二目标特征，当第一目标特征与第二目标特征相似时将前帧图像的包围框的标识信息作为目标包围框的标识信息，从而实现了对前后帧图像中目标物体的跟踪，通过检测包围框的重叠度可以有效地降低目标跟丢的情况，再结合目标特征的识别可以避免跟错目标，提高了目标跟踪的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例一提供的目标跟踪方法的流程示意图；

图2是本申请实施例二提供的目标跟踪方法的流程示意图；

图3是本申请实施例三提供的目标跟踪装置的结构示意图；

图4是本申请实施例四提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的一种目标跟踪方法可以应用于桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，是本申请实施例一提供的一种目标跟踪方法的流程，该目标跟踪方法可应用于终端设备上，如图1所示，该目标跟踪方法可以包括以下步骤：

步骤S101，获取第一帧图像中目标物体的第一包围框和所述第一包围框的标识信息。

其中，第一包围框可以是指将第一帧图像中目标物体包围起来的框，标识信息为第一包围框中物体的跟踪标识，可以是一个身份标识号码(Identity Document，ID)，例如，第一包围框的标识信息为1；本申请采用YoloV3深度学习目标检测方法对图像中的目标物体进行检测识别，YoloV3深度学习目标检测方法的核心是利用整张图像作为输入，将包围框作为输出，在输出层回归包围框的位置和包围框所属的类别等，目标物体为包围框所属的类别中的一种，例如，包围框所属的类别包括行人、动物、车辆等，本申请中目标物体可以为行人，以实现行人的跟踪。

终端设备可以向存储有第一帧图像或者视频流的存储器发送图像获取指令，存储器根据图像获取指令反馈第一帧图像或者视频流，终端设备还可以向图像采集设备发送图像获取指令，图像采集设备根据图像获取指令采集第一帧图像并将第一帧图像发送至终端设备。

可选的是，获取第一包围框的标识信息包括：

检测第一包围框是否对应标识信息；

若第一包围框未对应标识信息，则生成标识信息，并将生成的标识信息赋予第一包围框。

其中，当第一帧图像为本申请的目标跟踪方法处理的第一幅图像时，或者当第一帧图像中的目标物体为在本申请的目标跟踪方法处理过程中第一次出现，此时针对该目标物体的第一包围框没有对应的标识信息，因此，在第一包围框未对应标识信息时需要生成标识信息，并将生成的标识信息赋予第一包围框。

步骤S102，获取第二帧图像中目标物体的第二包围框。

其中，第二帧图像与第一帧图像相邻且时间上后继于第一帧图像，第一帧图像可以是第二帧图像的前一帧图像，也可以是第二帧图像的多帧之前的图像，同样的，可以采用YoloV3深度学习目标检测方法对第二帧图像中目标物体进行检测识别，得到第二包围框，第二包围框可以是指将第二帧图像中目标物体包围起来的框。

终端设备可以向存储有第二帧图像的存储器发送图像获取指令，存储器根据图像获取指令反馈第二帧图像，或者终端设备对视频流进行处理，从视频流中获取连续的帧图像；另外，终端设备还可以向上述图像采集设备发送图像获取指令，该图像采集设备根据图像获取指令采集第二帧图像并将第二帧图像发送至终端设备。

步骤S103，检测第一包围框与第二包围框的重叠度是否大于重叠度阈值。

其中，重叠度可以是指两个包围框的交集与并集的比值，即，两个包围框的交并比，第一帧图像和第二帧图像为相同图像采集设备采集，采用相同的方式在两帧图像上建立坐标系，两个包围框所在的坐标系重叠，因此，两个包围框在对应的坐标系中的位置可以直接用于获取重叠度。

可选的是，获取第一帧图像中目标物体的第一包围框包括：

获取第一帧图像；

根据深度学习目标检测网络，获取第一帧图像中目标物体的第一包围框的位置；

相应地，获取第二帧图像中目标物体的第二包围框包括：

获取第二帧图像；

根据深度学习目标检测网络，获取第二帧图像中目标物体的第二包围框的位置；

相应地，检测第一包围框与第二包围框的重叠度是否大于重叠度阈值包括：

根据第一包围框的位置和第二包围框的位置，获取第一包围框与第二包围框的重叠度；

检测重叠度是否大于重叠度阈值。

其中，第一包围框的位置与第二包围框的位置对应的坐标系重叠，第一包围框的位置的坐标可以与第二包围框的位置的坐标直接进行比较，以此计算第一包围框与第二包围框之间交集的面积和并集的面积，例如，第一包围框的位置的坐标为(左下角坐标：(1，2)，框高：3，框宽：2)，第二包围框的位置的坐标为(左下角坐标：(2，3)，框高：3，框宽：2)，则交集为2，并集为10，重叠度为0.2。另外，当目标物体被遮挡时，第二包围框的框高或框宽可能会发生变化，该种情况可能会影响重叠度的计算结果，但是，不会妨碍对重叠度的计算，例如，第一包围框的位置的坐标为(左下角坐标：(1，2)，框高：3，框宽：2)，第二包围框的位置的坐标为(左下角坐标：(2，3)，框高：2，框宽：1)，则交集为2，并集为6，重叠度为1/3，上述两个例子中，第二包围框的左下角坐标没有发生变化，当然，在被遮挡时，第二包围框的位置中左下角坐标也可能发生变化，但这仍然不影响重叠度的计算。

步骤S104，若第一包围框与第二包围框的重叠度大于重叠度阈值，则将第二包围框作为目标包围框。

其中，重叠度阈值可以是[0,1]区间的任意数值，可以根据实际需求进行设定，例如，当第一帧图像与第二帧图像之间时间间隔较小时，重叠度阈值可以适当增大，当第一帧图像与第二帧图像之间时间间隔较大时，重叠度阈值可以适当减小；当第一包围框与第二包围框的重叠度大于重叠度阈值时，认为该第二包围框中目标物体有较大可能为第一包围框中目标物体，因此将第二包围框作为目标包围框进行再识别，当第一包围框与第二包围框的重叠度小于重叠度阈值时，可以认为在第二帧图像中已经不存在第一包围框中目标物体，结束跟踪。

步骤S105，获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征。

其中，目标物体的目标特征可以是指针对该目标物体的目标位置的特征，例如，目标物体为行人，目标特征可以是行人的面部特征，即针对行人面部的特征。

可选的是，获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征包括：

利用深度残差网络模型，获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征。

其中，选取深度残差网络Resnet50作为模型的框架，在模型中加入IBN-Net模块构成Resnet50-Ibn模型，IBN-Net模块可以学习视觉表现变化的相关性与内容相关性，例如颜色，风格，真假等，可以加速训练和学习到更加有区分性的特征。

在Resnet50-Ibn模型训练中，学习率采用分段常数衰减的策略，有利于模型的收敛，提升模型的效果；同时，对数据集进行数据增强，包括翻转、小角度旋转、叠加、亮暗变化、随机擦除；采用标签平滑的方法作为输出层的预测，以防止过拟合，增加模型的泛化能力；将Resnet50-Ibn模型的最后一层特征的降采样的步长设置为1，可以提升特征分辨率，从而提升重识别的效果；在Resnet50-Ibn模型加入中心损失函数center loss，减小同类的类间距离，增大不同类的类间距离；最终，得到训练好的Resnet50-Ibn模型。

步骤S106，检测第一目标特征与第二目标特征的相似度是否大于相似度阈值。

其中，第一目标特征与第二目标特征的相似度可以是指第一目标特征与第二目标特征之间的近似程度，相似度越高，表明第一目标特征与第二目标特征越接近，相似度阈值可以根据实际需求进行设定，本申请对此不做限定。

可选的是，检测第一目标特征与第二目标特征的相似度是否大于相似度阈值包括：

利用欧氏距离计算第一目标特征与第二目标特征的相似度；

检测相似度是否大于相似度阈值。

其中，欧氏距离是一种距离度量，用于衡量多维空间中各个点之间的绝对距离，据此可以计算第一目标特征和第二目标特征的相似度大小；当然，还可以马氏距离或者余弦相似性计算第一目标特征与第二目标特征的相似度，对此本申请不做限定。

步骤S107，若第一目标特征与第二目标特征的相似度大于相似度阈值，则将第一包围框的标识信息作为目标包围框的标识信息。

其中，第一目标特征与第二目标特征的相似度大于相似度阈值，可以表明第一包围框中目标物体与目标包围框中目标物体为相同物体，因此，将第一包围框的标识信息作为目标包围框的标识信息可以实现对该相同物体的跟踪，例如，第一帧图像的第一包围框中为行人甲，第一包围框的ID为1，将1作为第二帧图像的第二包围框的ID，表示第二包围框中也为行人甲，因此，实现了对行人甲的跟踪。

第二帧图像的行人甲相较于第一帧图像的行人甲可能会出现遮挡或遮挡，当遮挡为行人乙时，可能存在识别的第二包围框为行人乙的包围框，这种情况下，经过对第二包围框中行人乙的目标特征与第一包围框中行人甲的目标特征的比对，第二包围框中的行人不是行人甲，避免了跟错目标，当遮挡为其他物体时，由于识别其他物体的包围框不是第二包围框，因此，不会将第一包围框的标识信息迁移至其他物体上，也就不会出现跟错的情况。

本申请的实施例实现了对前后帧图像中目标物体的跟踪，通过检测包围框的重叠度可以有效地降低目标跟丢的情况，再结合目标特征的识别可以避免跟错目标，提高了目标跟踪的准确性。

参见图2，是本申请实施例二提供的一种目标跟踪方法的流程，该目标跟踪方法可应用于终端设备，如图2所示，该目标跟踪方法可以包括以下步骤：

步骤S201，获取第一帧图像中目标物体的第一包围框和第一包围框的标识信息。

其中，步骤S201与上述步骤S101的内容相同，可参考上述步骤S101，在此不再赘述。

步骤S202，获取第二帧图像中目标物体的至少两个第二包围框。

其中，第二帧图像中目标物体存在至少两个第二包围框，即，第二帧图像中存在至少两个目标物体，例如，目标物体为行人，在第二帧图像中可能存在至少两个行人。本申请仍采用上述YoloV3深度学习目标检测方法进行检测识别，得到至少两个第二包围框。

步骤S203，获取第一包围框与至少两个第二包围框的至少两个重叠度。

其中，重叠度的计算方式可以参考上述步骤S103，即根据第一包围框的位置与每个第二包围框的位置比较计算得到每个第二包围框与第一包围框的重叠度，得到至少两个重叠度；另外，在第一帧图像中存在多个目标物体时第一包围框的数量可为多个，即第一帧图像中存在多个第一包围框，计算每一个第一包围框与每一个第二包围框的重叠度，其中每一个第一包围框依然对应至少两个重叠度，应理解，本申请对第一帧图像中包含的第一包围框的个数不做限定。

步骤S204，检测至少两个重叠度中最大的重叠度是否大于重叠度阈值。

其中，至少两个重叠度中必然存在一个重叠度最大的值，至少两个重叠度中最大的重叠度对应第二包围框中的目标物体与第一包围框中的目标物体为同一物体的可能性最大，因此，将该最大的重叠度与重叠度阈值进行比对即可。

可选的是，检测至少两个重叠度中最大的重叠度是否大于重叠度阈值包括：

对至少两个重叠度进行重排序，获取至少两个重叠度中最大的重叠度；

检测最大的重叠度是否大于重叠度阈值。

其中，本申请可以利用Reranking算法对至少两个重叠度进行重排序，Reranking算法能够快速、准确地确定最大的重叠度，能够提升目标跟踪的效果。

步骤S205，若至少两个重叠度中最大的重叠度大于重叠度阈值，则将最大的重叠度对应的第二包围框作为目标包围框。

其中，本申请将最大的重叠度对应第二包围框中的目标物体与第一包围框中的目标物体认定为同一物体，因此，将最大的重叠度对应的第二包围框作为目标包围框，详细内容可参考上述步骤S104中的描述。

步骤S206，获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征。

步骤S207，检测第一目标特征与第二目标特征的相似度是否大于相似度阈值。

步骤S208，若第一目标特征与第二目标特征的相似度大于相似度阈值，则将第一包围框的标识信息作为目标包围框的标识信息。

其中，步骤S206至步骤S208与上述步骤S105至步骤S107的内容相同，可参照步骤S105至步骤S107的描述，在此不再赘述。

本申请实施例给出了在第二帧图像中存在多个目标物体时进行目标跟踪的解决方案，能够准确地识别目标物体，另外，当第一帧图像存在多个目标物体时也可以进行多目标的跟踪。

参见图3，是本申请实施例三提供了一种目标跟踪装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分，该目标跟踪装置包括：

第一获取模块31，用于获取第一帧图像中目标物体的第一包围框和第一包围框的标识信息，其中，标识信息为第一包围框中物体的跟踪标识；

第二获取模块32，用于获取第二帧图像中目标物体的第二包围框，第二帧图像与第一帧图像相邻且时间上后继于第一帧图像；

重叠度检测模块33，用于检测第一包围框与第二包围框的重叠度是否大于重叠度阈值；

目标确定模块34，用于在第一包围框与第二包围框的重叠度大于重叠度阈值时，将第二包围框作为目标包围框；

特征获取模块35，用于获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征；

相似度检测模块36，用于检测第一目标特征与第二目标特征的相似度是否大于相似度阈值；

跟踪处理模块37，用于在第一目标特征与第二目标特征的相似度大于相似度阈值时，将第一包围框的标识信息作为目标包围框的标识信息。

可选的是，若第二包围框包括至少两个包围框，则重叠度检测模块33包括：

重叠度获取单元，用于获取第一包围框与第二包围框的至少两个重叠度；

重叠度检测单元，用于检测至少两个重叠度中最大的重叠度是否大于重叠度阈值；

相应地，目标确定模块34具体用于：

若至少两个重叠度中最大的重叠度大于重叠度阈值，则将最大的重叠度对应的包围框作为目标包围框。

可选的是，重叠度检测单元具体用于：

对至少两个重叠度进行重排序，获取至少两个重叠度中最大的重叠度；

检测最大的重叠度是否大于重叠度阈值。

可选的是，第一获取模块31包括：

第一图像获取单元，用于获取第一帧图像；

第一位置获取单元，用于根据深度学习目标检测网络，获取第一帧图像中目标物体的第一包围框的位置；

相应地，第二获取模块32包括：

第二图像获取单元，用于获取第二帧图像；

第二位置获取单元，用于根据深度学习目标检测网络，获取第二帧图像中目标物体的第二包围框的位置；

相应地，重叠度检测模块33具体用于：

根据第一包围框的位置和第二包围框的位置，获取第一包围框与第二包围框的重叠度；

检测重叠度是否大于重叠度阈值。

可选的是，第一获取模块31包括：

标识信息检测单元，用于检测第一包围框是否对应标识信息；

标识信息赋予单元，用于在第一包围框未对应标识信息时，生成标识信息，并将生成的标识信息赋予第一包围框。

可选的是，相似度检测模块36包括：

相似度获取单元，用于利用欧氏距离计算第一目标特征与第二目标特征的相似度；

相似度检测单元，用于检测相似度是否大于相似度阈值。

可选的是，特征获取模块35具体用于：

利用深度残差网络模型，获取第一包围框中目标物体的第一目标特征和目标包围框中目标物体的第二目标特征。

需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例二部分，此处不再赘述。

图4为本申请实施例四提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个处理器)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42，处理器40执行计算机程序42时实现上述实施例的目标跟踪方法的步骤。

该终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41在一些实施例中可以是终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是终端设备4的外部存储设备，例如终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行时实现可实现上述方法实施例一中的步骤，或者，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行时实现可实现上述方法实施例二中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种目标跟踪方法，其特征在于，所述目标跟踪方法包括：

获取第一帧图像中目标物体的第一包围框和所述第一包围框的标识信息，其中，所述标识信息为所述第一包围框中物体的跟踪标识；

获取第二帧图像中所述目标物体的第二包围框，所述第二帧图像与所述第一帧图像相邻且时间上后继于所述第一帧图像；

检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值；

若所述第一包围框与所述第二包围框的重叠度大于重叠度阈值，则将所述第二包围框作为目标包围框；

获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征；

检测所述第一目标特征与所述第二目标特征的相似度是否大于相似度阈值；

若所述第一目标特征与所述第二目标特征的相似度大于相似度阈值，则将所述第一包围框的标识信息作为所述目标包围框的标识信息。

2.如权利要求1所述的目标跟踪方法，其特征在于，若所述第二包围框包括至少两个包围框，则所述检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值包括：

获取所述第一包围框与所述第二包围框的至少两个重叠度；

检测所述至少两个重叠度中最大的重叠度是否大于重叠度阈值；

相应地，所述若所述第一包围框与所述第二包围框的重叠度大于重叠度阈值，则将所述第二包围框作为目标包围框包括：

若所述至少两个重叠度中最大的重叠度大于重叠度阈值，则将最大的重叠度对应的包围框作为目标包围框。

3.如权利要求2所述的目标跟踪方法，其特征在于，所述检测所述至少两个重叠度中最大的重叠度是否大于重叠度阈值包括：

对所述至少两个重叠度进行重排序，获取所述至少两个重叠度中最大的重叠度；

检测所述最大的重叠度是否大于重叠度阈值。

4.如权利要求1所述的目标跟踪方法，其特征在于，所述获取第一帧图像中目标物体的第一包围框包括：

获取第一帧图像；

根据深度学习目标检测网络，获取所述第一帧图像中目标物体的第一包围框的位置；

相应地，所述获取第二帧图像中所述目标物体的第二包围框包括：

获取第二帧图像；

根据所述深度学习目标检测网络，获取所述第二帧图像中所述目标物体的第二包围框的位置；

相应地，所述检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值包括：

根据所述第一包围框的位置和所述第二包围框的位置，获取所述第一包围框与所述第二包围框的重叠度；

检测所述重叠度是否大于重叠度阈值。

5.如权利要求1所述的目标跟踪方法，其特征在于，获取所述第一包围框的标识信息包括：

检测所述第一包围框是否对应标识信息；

若所述第一包围框未对应标识信息，则生成标识信息，并将生成的标识信息赋予所述第一包围框。

6.如权利要求1所述的目标跟踪方法，其特征在于，所述检测所述第一目标特征与所述第二目标特征的相似度是否大于相似度阈值包括：

利用欧氏距离计算所述第一目标特征与所述第二目标特征的相似度；

检测所述相似度是否大于相似度阈值。

7.如权利要求1至6任一项所述的目标跟踪方法，其特征在于，所述获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征包括：

利用深度残差网络模型，获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征。

8.一种目标跟踪装置，其特征在于，所述目标跟踪装置包括：

第一获取模块，用于获取第一帧图像中目标物体的第一包围框和所述第一包围框的标识信息，其中，所述标识信息为所述第一包围框中物体的跟踪标识；

第二获取模块，用于获取第二帧图像中所述目标物体的第二包围框，所述第二帧图像与所述第一帧图像相邻且时间上后继于所述第一帧图像；

重叠度检测模块，用于检测所述第一包围框与所述第二包围框的重叠度是否大于重叠度阈值；

目标确定模块，用于在所述第一包围框与所述第二包围框的重叠度大于重叠度阈值时，将所述第二包围框作为目标包围框；

特征获取模块，用于获取所述第一包围框中所述目标物体的第一目标特征和所述目标包围框中所述目标物体的第二目标特征；

相似度检测模块，用于检测所述第一目标特征与所述第二目标特征的相似度是否大于相似度阈值；

跟踪处理模块，用于在所述第一目标特征与所述第二目标特征的相似度大于相似度阈值时，将所述第一包围框的标识信息作为所述目标包围框的标识信息。

9.一种终端设备，包括处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的目标跟踪方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的目标跟踪方法。

Images