一种确定跟踪状态的方法、装置、存储介质和电子设备转让专利
申请号 : CN202110532147.5
文献号 : CN112950687B
文献日 : 2021-08-10
发明人 : 张发恩 , 李大维
申请人 : 创新奇智(成都)科技有限公司
摘要 :
权利要求 :
1.一种确定跟踪状态的方法,其特征在于,包括:获取待跟踪图像;
利用目标跟踪算法对所述待跟踪图像中的跟踪对象进行跟踪处理,获得目标响应图;
将所述目标响应图输入到预先训练好的图像分类模型中,以使所述预先训练好的图像分类模型对所述目标响应图进行分类识别,以获得用于表示所述跟踪对象的跟踪状态的目标图像分类结果;其中,所述预先训练好的图像分类模型是根据训练集对初始图像分类模型进行训练得到的,所述训练集包括训练响应图和所述训练响应图对应的训练图像分类结果,所述训练响应图是利用所述目标跟踪算法对原始训练图像中的目标对象进行跟踪处理后获得的;
其中,在所述将所述目标响应图输入到预先训练好的图像分类模型中之前,所述方法还包括:
计算所述原始训练图像对应的预测框和所述原始训练图像对应的真实框的交并比值;
根据所述交并比值和所述训练响应图的峰值,确定所述训练响应图对应的训练图像分类结果;
所述训练图像分类结果包括正常跟踪目标对象;
其中,所述根据所述交并比值和所述训练响应图的峰值,确定所述训练响应图对应的训练图像分类结果,包括:
在所述交并比值大于第一预设交并比值且所述峰值大于预设峰值的情况下,确定所述训练图像分类结果为所述正常跟踪目标对象;
所述训练图像分类结果包括目标对象被遮挡;
其中,所述根据所述交并比值和所述训练响应图的峰值,确定所述训练响应图对应的训练图像分类结果,包括:
在所述交并比值小于等于第一预设交并比值且大于等于第二预设交并比值的情况下,确定所述训练图像分类结果为所述目标对象被遮挡;
或者,在所述交并比值大于第一预设交并比值且所述峰值小于等于预设峰值的情况下,确定所述训练图像分类结果为所述目标对象被遮挡;
所述训练图像分类结果包括目标对象跟踪失败;
其中,所述根据所述交并比值和所述训练响应图的峰值,确定所述训练响应图对应的训练图像分类结果,包括:
在所述交并比值小于第二预设交并比值的情况下,确定所述训练图像分类结果为所述目标对象跟踪失败;
在所述目标图像分类结果为所述目标对象被遮挡的情况下,确定所述目标跟踪算法对应的跟踪状态为被遮挡,并暂停所述目标跟踪算法中用到的目标跟踪模型的更新。
2.根据权利要求1所述的方法,其特征在于,在所述将所述目标响应图输入到预先训练好的图像分类模型中之前,所述方法还包括:将所述训练响应图输入到所述初始图像分类模型中,以使所述初始图像分类模型对所述训练响应图进行分类识别,以获得预测图像分类结果;
根据所述预测图像分类结果和所述训练图像分类结果,确定损失函数;
利用所述损失函数调整所述初始图像分类模型中的参数,以获得所述预先训练好的图像分类模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据所述目标图像分类结果,对所述目标跟踪算法进行调整。
4.一种确定跟踪状态的装置,其特征在于,包括:获取模块,用于获取待跟踪图像;
跟踪模块,用于利用目标跟踪算法对所述待跟踪图像中的跟踪对象进行跟踪处理,获得目标响应图;
第一输入模块,用于将所述目标响应图输入到预先训练好的图像分类模型中,以使所述预先训练好的图像分类模型对所述目标响应图进行分类识别,以获得用于表示所述跟踪对象的跟踪状态的目标图像分类结果;其中,所述预先训练好的图像分类模型是根据训练集对初始图像分类模型进行训练得到的,所述训练集包括训练响应图和所述训练响应图对应的训练图像分类结果,所述训练响应图是利用所述目标跟踪算法对原始训练图像中的目标对象进行跟踪处理后获得的;
所述装置还包括:计算模块,用于计算所述原始训练图像对应的预测框和所述原始训练图像对应的真实框的交并比值;
第一确定模块,用于根据所述交并比值和所述训练响应图的峰值,确定所述训练响应图对应的训练图像分类结果;
所述训练图像分类结果包括正常跟踪目标对象;所述第一确定模块,具体用于在所述交并比值大于第一预设交并比值且所述峰值大于预设峰值的情况下,确定所述训练图像分类结果为所述正常跟踪目标对象;
所述训练图像分类结果包括目标对象被遮挡;所述第一确定模块,具体用于:在所述交并比值小于等于第一预设交并比值且大于等于第二预设交并比值的情况下,确定所述训练图像分类结果为所述目标对象被遮挡;或者,在所述交并比值大于第一预设交并比值且所述峰值小于等于预设峰值的情况下,确定所述训练图像分类结果为所述目标对象被遮挡;
所述训练图像分类结果包括目标对象跟踪失败;所述第一确定模块,具体用于在所述交并比值小于第二预设交并比值的情况下,确定所述训练图像分类结果为所述目标对象跟踪失败;
第三确定模块,用于在所述目标图像分类结果为所述目标对象被遮挡的情况下,确定所述目标跟踪算法对应的跟踪状态为被遮挡,并暂停所述目标跟踪算法中用到的目标跟踪模型的更新。
5.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至3任一所述的确定跟踪状态的方法。
6.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至3任一所述的确定跟踪状态的方法。
说明书 :
一种确定跟踪状态的方法、装置、存储介质和电子设备
技术领域
背景技术
单的结构加上经验化的参数设置导致检测的效果不稳定,容易发生误检。
发明内容
目标响应图输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型对目标
响应图进行分类识别,以获得用于表示跟踪对象的跟踪状态的目标图像分类结果;其中,预
先训练好的图像分类模型是根据训练集对初始图像分类模型进行训练得到的,训练集包括
训练响应图和训练响应图对应的训练图像分类结果。
中之前,方法还包括:计算原始训练图像对应的预测框和原始训练图像对应的真实框的交
并比值;根据交并比值和训练响应图的峰值,确定训练响应图对应的训练图像分类结果。
像分类结果为正常跟踪目标对象。
下,确定训练图像分类结果为目标对象被遮挡;或者,在交并比值大于第一预设交并比值且
峰值小于等于预设峰值的情况下,确定训练图像分类结果为目标对象被遮挡。
象跟踪失败。
响应图进行分类识别,以获得预测图像分类结果;根据预测图像分类结果和训练图像分类
结果,确定损失函数;利用损失函数调整初始图像分类模型中的参数,以获得预先训练好的
图像分类模型。
行跟踪处理,获得目标响应图;第一输入模块,用于将目标响应图输入到预先训练好的图像
分类模型中,以使预先训练好的图像分类模型对目标响应图进行分类识别,以获得用于表
示跟踪对象的跟踪状态的目标图像分类结果;其中,预先训练好的图像分类模型是根据训
练集对初始图像分类模型进行训练得到的,训练集包括训练响应图和训练响应图对应的训
练图像分类结果。
确定模块,用于根据交并比值和训练响应图的峰值,确定训练响应图对应的训练图像分类
结果。
图像分类结果为正常跟踪目标对象。
下,确定训练图像分类结果为目标对象被遮挡;或者,在交并比值大于第一预设交并比值且
峰值小于等于预设峰值的情况下,确定训练图像分类结果为目标对象被遮挡。
对象跟踪失败。
始图像分类模型对训练响应图进行分类识别,以获得预测图像分类结果;第二确定模块,用
于根据预测图像分类结果和训练图像分类结果,确定损失函数;第一调整模块,用于利用损
失函数调整初始图像分类模型中的参数,以获得预先训练好的图像分类模型。
法。
所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面或第
一方面的任一可选的实现方式所述的方法。
附图说明
作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以
根据这些附图获得其他相关的附图。
具体实施方式
描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
止发生漂移及跟踪失败。再例如,如果确定目标跟踪失败,则可调用目标跟踪算法或者其他
跟踪算法重新找回目标,并修改目标的跟踪状态。
如果低于阈值,则认为跟踪失败了;第二种方法可以是对响应图进行峰值旁瓣比PSR分析,
并且将其与设定的阈值进行比较,以判断跟踪算法的状态;第三种方法可以是对响应图进
行多峰检测,以判断跟踪器的状态。
测的结果不稳定,容易发生误检。
最后将目标响应图输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型
对目标响应图进行分类识别,以获得用于表示跟踪对象的跟踪状态的目标图像分类结果;
其中,预先训练好的图像分类模型是根据训练集对初始图像分类模型进行训练得到的,训
练集包括训练响应图和训练响应图对应的训练图像分类结果。
跟踪对象的跟踪状态的监测的精准度,并且其无需和阈值进行比较,可有效解决现有的确
定跟踪状态的方法存在着的容易发生误检的问题。
以是能够执行该方法的各种设备,例如,如个人计算机、服务器或网络设备等,本申请实施
例并不限于此,具体包括如下步骤:
挡用于表示目标对象的跟踪状态为被遮挡;目标对象跟踪失败用于表示目标对象的跟踪状
态为跟踪失败。
对应的交并比值和当前训练响应图的峰值进行比较,并可根据比较情况,确定当前响应图
对应的训练图像分类结果。
第二预设交并比值的情况下,确定训练图像分类结果为目标对象被遮挡;在交并比值大于
第一预设交并比值且峰值小于等于预设峰值的情况下,确定训练图像分类结果为目标对象
被遮挡;在交并比值小于第二预设交并比值的情况下,确定训练图像分类结果为目标对象
跟踪失败。
标对象;若交并比值小于等于0.75且大于等于0.5(或者,交并比值大于0.75并且峰值小于
等于0.6),则可确定训练图像分类结果为目标对象被遮挡;若交并比值小于0.5,则可确定
训练图像分类结果为标对象跟踪失败。
行,上述装置可以是能够执行该方法的各种设备,例如,如个人计算机、服务器或网络设备
等,本申请实施例并不限于此,具体包括如下步骤:
并不局限于此。
型可输出预测图像分类结果。
的步骤来自动实现的。
果进行对比,以计算获得损失函数。
图像分类模型。
的确定跟踪状态的方法,而无需再执行图2所示的训练图像分类模型的方法。
文中的图4所示的确定跟踪状态的装置对应,该装置可以是能够执行该方法的各种设备,例
如,如个人计算机、服务器或网络设备等,本申请实施例并不限于此,具体包括如下步骤:
图像分类结果。其中,预先训练好的图像分类模型是根据训练集对初始图像分类模型进行
训练得到的,训练集包括训练响应图和训练响应图对应的训练图像分类结果。
性地对目标跟踪算法进行操作,以提高目标跟踪算法的稳定性。
标跟踪模型被背景或者遮挡物所污染,导致跟踪发生漂移。
象的位置,并修正目标跟踪算法。
算法对应的跟踪状态,进而针对性地对目标跟踪算法进行调整,以提高目标跟踪算法的稳
定性。
态。由于是数据驱动类方法,以及模型可离线训练,通过合理设置图像分类模型,可以提升
跟踪状态监测的精度,还可通过引入难例挖掘进行增强训练,还可以进一步降低误检率。
骤,该装置400具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该
装置400包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置
400的操作系统(operating system,OS)中的软件功能模块。具体地,该装置400包括:
图输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型对目标响应图进
行分类识别,以获得用于表示跟踪对象的跟踪状态的目标图像分类结果;其中,预先训练好
的图像分类模型是根据训练集对初始图像分类模型进行训练得到的,训练集包括训练响应
图和训练响应图对应的训练图像分类结果。
比值;第一确定模块(未示出),用于根据交并比值和训练响应图的峰值,确定训练响应图对
应的训练图像分类结果。
图像分类结果为正常跟踪目标对象。
下,确定训练图像分类结果为目标对象被遮挡;或者,在交并比值大于第一预设交并比值且
峰值小于等于预设峰值的情况下,确定训练图像分类结果为目标对象被遮挡。
对象跟踪失败。
型中,以使初始图像分类模型对训练响应图进行分类识别,以获得预测图像分类结果;第二
确定模块(未示出),用于根据预测图像分类结果和训练图像分类结果,确定损失函数;第一
调整模块(未示出),用于利用损失函数调整初始图像分类模型中的参数,以获得预先训练
好的图像分类模型。
线540用于实现这些组件直接的连接通信。其中,本申请实施例中的通信接口520用于与其
他设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能
力。上述的处理器510可以是通用处理器,包括中央处理器(Central Processing Unit,简
称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专
用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻
辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
Memory,PROM),可擦除只读存储器(Erasable Programmable Read‑Only Memory,EPROM),
电可擦除只读存储器(Electric Erasable Programmable Read‑Only Memory,EEPROM)等。
存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行
时,电子设备500可以执行上述方法实施例中的各个步骤。
相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器
530中存储的可执行模块。并且,电子设备500用于执行下述方法:获取待跟踪图像;利用目
标跟踪算法对所述待跟踪图像中的跟踪对象进行跟踪处理,获得目标响应图;将所述目标
响应图输入到预先训练好的图像分类模型中,以使所述预先训练好的图像分类模型对所述
目标响应图进行分类识别,以获得用于表示所述跟踪对象的跟踪状态的目标图像分类结
果;其中,所述预先训练好的图像分类模型是根据训练集对初始图像分类模型进行训练得
到的,所述训练集包括训练响应图和所述训练响应图对应的训练图像分类结果。
示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏
等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位
置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
或其组合实现。
对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参
见方法实施例的部分说明即可。
示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功
能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部
分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行
指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附
图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可
以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个
方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于
硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计
算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个
人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read‑Only Memory)、随机存取存
储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要
说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与
另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实
际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包
含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括
没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素
的过程、方法、物品或者设备中还存在另外的相同要素。
改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在
下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需
要对其进行进一步定义和解释。
盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。