CN107784279A

CN107784279A - 目标跟踪方法及装置

Info

Publication number: CN107784279A
Application number: CN201710971907.6A
Authority: CN
Inventors: 杨松
Original assignee: Beijing Xiaomi Mobile Software Co Ltd
Current assignee: Beijing Xiaomi Mobile Software Co Ltd
Priority date: 2017-10-18
Filing date: 2017-10-18
Publication date: 2018-03-09
Anticipated expiration: 2037-10-18
Also published as: CN107784279B

Abstract

本公开是关于一种目标跟踪方法及装置。该方法包括：检测多个视频帧中的运动物体；根据多个视频帧中的运动物体确定跟踪的目标；提取所述目标的特征，并根据所述目标的特征训练卷积神经网络分类模型中的目标相关部分，其中，所述卷积神经网络分类模型中的目标无关部分采用预先训练的参数；对于当前跟踪的视频帧，以所述当前跟踪的视频帧的上一视频帧中的目标位置为中心，确定所述当前跟踪的视频帧中的候选区域；通过所述卷积神经网络分类模型从所述当前跟踪的视频帧中的各个候选区域中确定所述当前跟踪的视频帧中的目标区域。本公开能够针对不同视频中不同的目标进行跟踪，提高了目标跟踪的成功率。

Description

目标跟踪方法及装置

技术领域

本公开涉及计算机视觉技术领域，尤其涉及目标跟踪方法及装置。

背景技术

视频目标跟踪是指对视频中的运动物体(例如行人、汽车等)进行跟踪，得到该运动物体在每一帧的位置。目标跟踪在视频监控、自动驾驶和视频娱乐等领域有着广泛的应用。

传统的目标跟踪方法包括光流(Optical Flow)法和粒子滤波(PF，ParticleFilter)法。这两种目标跟踪方法基于简单的颜色模型或人工特征来进行跟踪，在遮挡、强光等情况下容易出现跟踪失败的结果。

目前，通常基于卷积神经网络(CNN，Convolutional Neural Network)来进行目标跟踪。相关技术中的基于卷积神经网络的目标跟踪方法大多是基于图片分类来实现的。由于不同的视频或图像序列中的跟踪目标是不同的(例如某个物体在一个视频中是跟踪的目标，在另一个视频中则只是背景)，因此，要想用一个卷积神经网络分类模型来完成所有类型的视频或图像序列中前景和背景的区分任务，是比较困难的。

发明内容

为克服相关技术中存在的问题，本公开提供一种目标跟踪方法及装置。

根据本公开实施例的第一方面，提供一种目标跟踪方法，包括：

检测多个视频帧中的运动物体；

根据多个视频帧中的运动物体确定跟踪的目标；

提取所述目标的特征，并根据所述目标的特征训练卷积神经网络分类模型中的目标相关部分，其中，所述卷积神经网络分类模型中的目标无关部分采用预先训练的参数；

对于当前跟踪的视频帧，以所述当前跟踪的视频帧的上一视频帧中的目标位置为中心，确定所述当前跟踪的视频帧中的候选区域；

通过所述卷积神经网络分类模型从所述当前跟踪的视频帧中的各个候选区域中确定所述当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，确定所述当前跟踪的视频帧中的候选区域，包括：

采用高斯分布采样的方式，确定所述当前跟踪的视频帧中的候选区域。

在一种可能的实现方式中，通过所述卷积神经网络分类模型从所述当前跟踪的视频帧中的各个候选区域中确定所述当前跟踪的视频帧中的目标区域，包括：

通过所述卷积神经网络分类模型确定所述当前跟踪的视频帧中的各个候选区域中包含所述目标的概率；

将所述当前跟踪的视频帧中的各个候选区域中包含所述目标的概率最大的候选区域作为所述当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，所述方法还包括：

根据所述目标在各个已跟踪的视频帧中的位置训练位置优化模型；

根据所述位置优化模型对所述当前跟踪的视频帧中的目标区域进行优化。

在一种可能的实现方式中，所述方法还包括：

根据最近跟踪的N个视频帧中的目标图像，对所述卷积神经网络分类模型中的目标相关部分进行更新训练，其中，N为大于1的整数。

根据本公开实施例的第二方面，提供一种目标跟踪装置，包括：

检测模块，用于检测多个视频帧中的运动物体；

第一确定模块，用于根据多个视频帧中的运动物体确定跟踪的目标；

第一训练模块，用于提取所述目标的特征，并根据所述目标的特征训练卷积神经网络分类模型中的目标相关部分，其中，所述卷积神经网络分类模型中的目标无关部分采用预先训练的参数；

第二确定模块，用于对于当前跟踪的视频帧，以所述当前跟踪的视频帧的上一视频帧中的目标位置为中心，确定所述当前跟踪的视频帧中的候选区域；

第三确定模块，用于通过所述卷积神经网络分类模型从所述当前跟踪的视频帧中的各个候选区域中确定所述当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，所述第二确定模块用于：

对于当前跟踪的视频帧，以所述当前跟踪的视频帧的上一视频帧中的目标位置为中心，采用高斯分布采样的方式，确定所述当前跟踪的视频帧中的候选区域。

在一种可能的实现方式中，所述第三确定模块包括：

第一确定子模块，用于通过所述卷积神经网络分类模型确定所述当前跟踪的视频帧中的各个候选区域中包含所述目标的概率；

第二确定子模块，用于将所述当前跟踪的视频帧中的各个候选区域中包含所述目标的概率最大的候选区域作为所述当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，所述装置还包括：

第二训练模块，用于根据所述目标在各个已跟踪的视频帧中的位置训练位置优化模型；

优化模块，用于根据所述位置优化模型对所述当前跟踪的视频帧中的目标区域进行优化。

在一种可能的实现方式中，所述装置还包括：

第三训练模块，用于根据最近跟踪的N个视频帧中的目标图像，对所述卷积神经网络分类模型中的目标相关部分进行更新训练，其中，N为大于1的整数。

根据本公开实施例的第三方面，提供一种目标跟踪装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将卷积神经网络分类模型分为目标相关部分和目标无关部分，目标相关部分根据目标的特征进行训练，目标无关部分采用预先训练的参数，由此能够针对不同视频中不同的目标进行跟踪，提高了目标跟踪的成功率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种目标跟踪方法的流程图。

图2是根据一示例性实施例示出的一种目标跟踪方法中目标的边界框的示意图。

图3是根据一示例性实施例示出的一种目标跟踪方法步骤S15的一示例性的流程图。

图4是根据一示例性实施例示出的一种目标跟踪方法的一示例性的流程图。

图5是根据一示例性实施例示出的一种目标跟踪方法的一示例性的流程图。

图6是根据一示例性实施例示出的一种目标跟踪装置的框图。

图7是根据一示例性实施例示出的一种目标跟踪装置的一示例性的框图。

图8是根据一示例性实施例示出的一种用于目标跟踪的装置800的框图。

图9是根据一示例性实施例示出的一种用于目标跟踪的装置1900的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种目标跟踪方法的流程图。该方法可以应用于终端中。如图1所示，该方法包括步骤S11至步骤S15。

在步骤S11中，检测多个视频帧中的运动物体。

作为本实施例的一个示例，可以每隔M帧进行一次运动物体的检测，其中，M为正整数。例如，在行人跟踪中，可以每隔M帧进行一次行人检测。

在步骤S12中，根据多个视频帧中的运动物体确定跟踪的目标。

在步骤S13中，提取目标的特征，并根据目标的特征训练卷积神经网络分类模型中的目标相关部分，其中，卷积神经网络分类模型中的目标无关部分采用预先训练的参数。

在本实施例中，卷积神经网络(CNN，Convolutional Neural Networks)分类模型包括目标相关部分和目标无关部分。目标相关部分和目标无关部分可以分别包括神经网络的若干层。例如，目标无关部分包括3个卷积层和2个全连接层，目标相关部分包括1个全连接层。

在本实施例中，目标无关部分对于所有视频或图像序列共享参数，即目标无关部分采用预先训练的参数，而无需针对不同的视频或图像序列分别训练参数。目标相关部分对于各个视频或图像序列不共享参数，即每个视频或图像序列分别对应一个单独的目标相关部分。根据该实施例，卷积神经网络分类模型中的目标无关部分能够学习到所有跟踪目标的通用特征，而目标相关部分则解决了不同视频或图像序列中跟踪目标不同的问题。

在一种可能的实现方式中，可以随机初始化目标相关部分的参数，再根据目标的特征训练目标相关部分的参数。

在步骤S14中，对于当前跟踪的视频帧，以当前跟踪的视频帧的上一视频帧中的目标位置为中心，确定当前跟踪的视频帧中的候选区域。

其中，当前跟踪的视频帧中的候选区域的个数可以为多个。

在一种可能的实现方式中，确定当前跟踪的视频帧中的候选区域，包括：采用高斯分布采样的方式，确定当前跟踪的视频帧中的候选区域。

作为该实现方式的一个示例，可以采用多维高斯分布采用的方式，确定当前跟踪的视频帧中的候选区域。例如，可以进行高、宽、大小三个维度的高斯分布采样，以确定当前跟踪的视频帧中的候选区域。

在步骤S15中，通过卷积神经网络分类模型从当前跟踪的视频帧中的各个候选区域中确定当前跟踪的视频帧中的目标区域。

本实施例通过将卷积神经网络分类模型分为目标相关部分和目标无关部分，目标相关部分根据目标的特征进行训练，目标无关部分采用预先训练的参数，由此能够针对不同视频中不同的目标进行跟踪，提高了目标跟踪的成功率。

图3是根据一示例性实施例示出的一种目标跟踪方法步骤S15的一示例性的流程图。如图3所示，步骤S15可以包括步骤S151和步骤S152。

在步骤S151中，通过卷积神经网络分类模型确定当前跟踪的视频帧中的各个候选区域中包含目标的概率。

在步骤S152中，将当前跟踪的视频帧中的各个候选区域中包含目标的概率最大的候选区域作为当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，在通过卷积神经网络分类模型确定当前跟踪的视频帧中的各个候选区域中包含目标的概率之前，该方法还可以包括：将各个候选区域调整为指定尺寸。

图4是根据一示例性实施例示出的一种目标跟踪方法的一示例性的流程图。如图4所示，该方法可以包括步骤S11至步骤S17。

在步骤S11中，检测多个视频帧中的运动物体。

在步骤S16中，根据目标在各个已跟踪的视频帧中的位置训练位置优化模型。

其中，位置优化模型可以为一个MLP(Multi-Layer Perceptron，多层感知器)网络。

在步骤S17中，根据位置优化模型对当前跟踪的视频帧中的目标区域进行优化。

在该示例中，根据目标在各个已跟踪的视频帧中的位置训练位置优化模型，并根据位置优化模型对当前跟踪的视频帧中的目标区域进行优化，由此能够提高目标跟踪的准确性。

图5是根据一示例性实施例示出的一种目标跟踪方法的一示例性的流程图。如图5所示，该方法可以包括步骤S11至步骤S15，以及步骤S18。

在步骤S11中，检测多个视频帧中的运动物体。

在步骤S18中，根据最近跟踪的N个视频帧中的目标图像，对卷积神经网络分类模型中的目标相关部分进行更新训练，其中，N为大于1的整数。

在该示例中，可以维持一个长度为N的目标图像列表，用于保存最近跟踪的N个视频帧中的目标图像，并可以每隔L帧采用该目标图像列表对卷积神经网络分类模型中的目标相关部分进行更新训练。例如，N等于50，L等于10。根据该示例能够不断适应视频或图像序列中目标的姿态、光照等的变化，从而能够提高目标跟踪的成功率以及准确率。

图6是根据一示例性实施例示出的一种目标跟踪装置的框图。参照图6，该装置包括检测模块61、第一确定模块62、第一训练模块63、第二确定模块64和第三确定模块65。

该检测模块61被配置为检测多个视频帧中的运动物体。

该第一确定模块62被配置为根据多个视频帧中的运动物体确定跟踪的目标。

该第一训练模块63被配置为提取目标的特征，并根据目标的特征训练卷积神经网络分类模型中的目标相关部分，其中，卷积神经网络分类模型中的目标无关部分采用预先训练的参数。

该第二确定模块64被配置为对于当前跟踪的视频帧，以当前跟踪的视频帧的上一视频帧中的目标位置为中心，确定当前跟踪的视频帧中的候选区域。

该第三确定模块65被配置为通过卷积神经网络分类模型从当前跟踪的视频帧中的各个候选区域中确定当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，该第二确定模块64被配置为对于当前跟踪的视频帧，以当前跟踪的视频帧的上一视频帧中的目标位置为中心，采用高斯分布采样的方式，确定当前跟踪的视频帧中的候选区域。

图7是根据一示例性实施例示出的一种目标跟踪装置的一示例性的框图。如图7所示：

在一种可能的实现方式中，第三确定模块65包括第一确定子模块651和第二确定子模块652。

该第一确定子模块651被配置为通过卷积神经网络分类模型确定当前跟踪的视频帧中的各个候选区域中包含目标的概率。

该第二确定子模块652被配置为将当前跟踪的视频帧中的各个候选区域中包含目标的概率最大的候选区域作为当前跟踪的视频帧中的目标区域。

在一种可能的实现方式中，该装置还包括第二训练模块66和优化模块67。

该第二训练模块66被配置为根据目标在各个已跟踪的视频帧中的位置训练位置优化模型。

该优化模块67被配置为根据位置优化模型对当前跟踪的视频帧中的目标区域进行优化。

在一种可能的实现方式中，该装置还包括第三训练模块68。

该第三训练模块68被配置为根据最近跟踪的N个视频帧中的目标图像，对卷积神经网络分类模型中的目标相关部分进行更新训练，其中，N为大于1的整数。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图8是根据一示例性实施例示出的一种用于目标跟踪的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图9是根据一示例性实施例示出的一种用于目标跟踪的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims

1.一种目标跟踪方法，其特征在于，包括：

检测多个视频帧中的运动物体；

根据多个视频帧中的运动物体确定跟踪的目标；

2.根据权利要求1所述的方法，其特征在于，确定所述当前跟踪的视频帧中的候选区域，包括：

3.根据权利要求1所述的方法，其特征在于，通过所述卷积神经网络分类模型从所述当前跟踪的视频帧中的各个候选区域中确定所述当前跟踪的视频帧中的目标区域，包括：

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.一种目标跟踪装置，其特征在于，包括：

检测模块，用于检测多个视频帧中的运动物体；

7.根据权利要求6所述的装置，其特征在于，所述第二确定模块用于：

8.根据权利要求6所述的装置，其特征在于，所述第三确定模块包括：

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

10.根据权利要求6所述的装置，其特征在于，所述装置还包括：

11.一种目标跟踪装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至5中任意一项所述的方法。

12.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1至5中任意一项所述的方法。