CN114169425B - 训练目标跟踪模型和目标跟踪的方法和装置 - Google Patents

Abstract

本公开提供了训练目标跟踪模型和目标跟踪的方法和装置，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：获取样本集，样本包括视频帧和真实框；构建目标跟踪模型，其中，目标跟踪模型的头部包括交并比头，用于计算交并比损失值；执行如下训练步骤：从样本集中选取样本；将选取的样本中的视频帧输入目标跟踪模型，输出预测框；根据选取的样本中的真实框和预测框的差异计算原始损失值和交并比损失值；若原始损失值和交并比损失值的加权和小于预定阈值，则确定出目标跟踪模型训练完成；否则，调整目标跟踪模型的网络参数，继续执行训练步骤。通过该实施方式能够提高生成的目标跟踪模型的跟踪精度和速度。

Description

训练目标跟踪模型和目标跟踪的方法和装置

技术领域

本公开涉及人工智能领域，尤其涉及深度学习领域，具体涉及训练目标跟踪模型和目标跟踪的方法和装置。

背景技术

多目标跟踪技术(Multi-Object Tracking)是给定视频图像序列，定位出多个感兴趣的目标，并在连续帧之间维持个体的ID信息和记录其轨迹。多目标跟踪技术是计算机视觉领域中最重要，且最复杂的任务之一，被应用到如自动驾驶、安防巡检、智慧城市等领域。

相较于目标检测技术仅针对当前静止时刻输出目标的定位信息，多目标跟踪技术增加了一维目标的个体ID信息，利用这个ID信息可以构建出帧和帧之间的联系，从而识别出相邻帧中的同一物体。从应用场景角度看，更能理解两个任务的差异。物体检测的场景像钢筋计数、工业质检、电力巡检、麦穗检测等，都是只需要检测出物体在某个瞬间某个点某个静止时刻的状态。而目标跟踪的场景像智慧交通、医疗分析、牲畜盘点、军事勘察等，都是需要持续追踪物体的连续运动状态，所以这些任务并不能用目标检测代替去做。

发明内容

本公开提供了一种训练目标跟踪模型和目标跟踪的方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种训练目标跟踪模型的方法，包括：获取样本集，其中，所述样本集中的样本包括视频帧和用于标注所述视频帧中目标对象的真实框；构建目标跟踪模型，其中，所述目标跟踪模型的头部包括交并比头，用于计算交并比损失值；执行如下训练步骤：从所述样本集中选取样本；将选取的样本中的视频帧输入所述目标跟踪模型，输出预测框；根据选取的样本中的真实框和所述预测框的差异计算原始损失值和交并比损失值；若所述原始损失值和所述交并比损失值的加权和小于预定阈值，则确定出所述目标跟踪模型训练完成；否则，调整所述目标跟踪模型的网络参数，继续执行所述训练步骤。

根据本公开的第二方面，提供了一种目标跟踪方法，包括：获取待检测的视频帧集合；将所述视频帧集合输入根据第一方面所述的方法训练完成的目标跟踪模型，在每个视频帧中输出至少一个检测框；对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合；对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

根据本公开的第三方面，提供了一种训练目标跟踪模型的装置，包括：获取单元，被配置成获取样本集，其中，所述样本集中的样本包括视频帧和用于标注所述视频帧中目标对象的真实框；构建单元，被配置成构建目标跟踪模型，其中，所述目标跟踪模型的头部包括交并比头，用于计算交并比损失值；训练单元，被配置成执行如下训练步骤：从所述样本集中选取样本；将选取的样本中的视频帧输入所述目标跟踪模型，输出预测框；根据选取的样本中的真实框和所述预测框的差异计算原始损失值和交并比损失值；若所述原始损失值和所述交并比损失值的加权和小于预定阈值，则确定出所述目标跟踪模型训练完成；调整单元，被配置成否则，调整所述目标跟踪模型的网络参数，继续执行所述训练步骤。

根据本公开的第四方面，提供了一种目标跟踪装置，包括：获取待检测的视频帧集合；将所述视频帧集合输入根据第二方面所述的装置训练完成的目标跟踪模型，在每个视频帧中输出至少一个检测框；对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合；对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面或第二方面所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面或第二方面所述的方法。

本公开实施例提供的训练目标跟踪模型和目标跟踪的方法和装置，在不同云端部署设备中都能够达到理想的多目标跟踪效果，并且能较好的解决遮挡、频繁消失出现、物体尺度变化剧烈、姿态变化难以识别、无法扩展到多类别等问题。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开训练目标跟踪模型的方法的一个实施例的流程图；

图3是根据本公开训练目标跟踪模型的方法的一个应用场景的示意图；

图4是根据本公开目标跟踪的方法的一个实施例的流程图；

图5是根据本公开训练目标跟踪模型的装置的一个实施例的结构示意图；

图6是根据本公开目标跟踪的装置的一个实施例的结构示意图；

图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本公开实施例的训练目标跟踪模型的方法、训练目标跟踪模型的装置、目标跟踪的方法或目标跟踪的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、目标跟踪类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备，来采集视频。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括视频帧和用于标注所述视频帧中目标对象的真实框。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。数据库服务器中还可以存储有各种原始的目标跟踪模型以及各种网络结构，用于在原始的目标跟踪模型的基础上重新组合构建目标跟踪模型。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的目标跟踪模型)发送给终端101、102。这样，用户可以应用生成的目标跟踪模型进行目标跟踪。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开实施例所提供的训练目标跟踪模型的方法或目标跟踪的方法一般由服务器105执行。相应地，训练目标跟踪模型的装置或目标跟踪的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本公开的训练目标跟踪模型的方法的一个实施例的流程200。该训练目标跟踪模型的方法可以包括以下步骤：

步骤201，获取样本集。

在本实施例中，训练目标跟踪模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

在这里，样本集中可以包括至少一个样本。每个样本包括视频帧和用于标注视频帧中目标对象的真实框。视频帧中可以有一个目标对象也可以有多个目标对象。如果使用多个目标对象的样本集则可训练出多目标跟踪模型。样本集中的视频帧是从完整的视频中截选出来的。连续的视频帧中标注的真实框即可构成目标对象的轨迹。

步骤202，构建目标跟踪模型。

在本实施例中，可在现有的目标跟踪模型的基础上进行改进来构建目标跟踪模型。可针对模型应用的终端设备的运算能力来选取初始的模型。例如，如果运算能力强(运算能力大于第一预定能力)，则可采用SDE(Separate Detection Embedding，分离检测和嵌入)算法的模型，这种模型完全分离检测和嵌入两个环节，最具代表性的就是DeepSORT算法。如果运算能力弱(运算能力小于第二预定能力，第二预定能力小于等于第一预定能力)，则可采用JDE(Joint Detection Embedding，联合检测和攻击程序)算法的模型，这类算法则是在一个共享神经网络中同时学习Detection和Embedding，使用一个多任务学习的思路设置损失函数。代表性的算法有CenterTrack和FairMOT。这样的设计兼顾精度和速度，可以实现高精度的实时多目标跟踪。

本申请在初始目标跟踪模型的头部的基础上增加了交并比(IoU)头，用于计算交并比损失值，如图3所示。IoU表示了bounding box(预测框)与ground truth(真实框)的重叠度。IoU损失计算模型预测框和真实框的相似度以获得更精准的检测框位置，从检测的直接评估指标IoU的角度去提升检测的性能，从而提升多目标跟踪的精度上限。

步骤203，从样本集中选取样本。

在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤207的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本视频帧的清晰度较好(即像素较高)的样本。还可在显存允许的情况下使用超大batch size(批量尺寸)和增加训练轮数。

步骤204，将选取的样本中的视频帧输入目标跟踪模型，输出预测框。

在本实施例中，执行主体可以将步骤203中选取的样本的视频帧输入目标跟踪模型。通过对视频帧进行检测分析，可以输出对目标对象位置、分类的预测框。目标跟踪模型可以检测多目标对象也可以检测单目标对象。目标对象可以是行人、车辆等。预测框不仅能指示出目标对象的位置还指示出类别，预测得分(即检测结果的可信度)。

步骤205，根据选取的样本中的真实框和预测框的差异计算原始损失值和交并比损失值，并根据原始损失值和交并比损失值的加权和计算总损失值。

在本实施例中，原始损失值指的是原始的目标跟踪模型的损失值，可包括热图损失(heatmap loss)、偏移和尺寸损失(Offset and Size Loss)、识别嵌入损失(IdentityEmbedding Loss)。其中热图损失由图3中的heatmap head(热图头)来计算，偏移和尺寸损失由box size head(盒尺寸头)和center offset head(中心偏移头)计算。识别嵌入损失由Re-ID(再识别)头计算。原始损失值的计算方法为现有技术，因此不再赘述。本申请引入了IoU head(交并比头)来计算IoU损失。IoU为预测框与真实框的交并比，IoU越大则IoU损失值越小。如果有多个目标对象，则计算每个目标对象对应的IoU，累计在一起作为该视频帧的IoU。可设置IoU损失值为1/IoU,或1-IoU等数学关系，使得IoU越大则IoU损失值越小。

将原始损失值和交并比损失值的加权和作为总损失值。可根据经验分别设置不同损失项的权重。

步骤206，若总损失值小于预定阈值，则确定出目标跟踪模型训练完成。

在本实施例中，当总损失值达到预定阈值时，可以认为预测框接近或近似真实框，说明目标跟踪模型训练完成。预定阈值可以根据实际需求来设置。

需要说明的是，若步骤203中选取有多个(至少两个)样本，则执行主体可以将每个样本的总损失值分别与预定阈值进行比较。从而可以确定每个样本的总损失值是否达到预定阈值。

步骤207，若总损失值不小于预定阈值，调整目标跟踪模型的网络参数，继续执行步骤203-207。

在本实施例中，若执行主体确定目标跟踪模型未训练完成，则可以调整目标跟踪模型中的相关参数。例如采用反向传播技术修改目标跟踪模型中各卷积层中的权重。以及可以返回步骤203，从样本集中重新选取样本。从而可以继续执行上述203-207。

需要说明的是，这里的选取方式在本公开中也不限制。例如在样本集中有大量样本的情况下，执行主体可以从中选取未被选取过的样本。

本实施例中训练目标跟踪模型的方法，通过改进原有的目标跟踪模型的结构，引入IoU损失，计算模型预测框和真实框的相似度以获得更精准的检测框位置，从检测的直接评估指标IoU的角度去提升检测的性能，从而提升多目标跟踪的精度上限。

在本实施例的一些可选地实现方式中，构建目标跟踪模型，包括：获取原始目标跟踪模型；获取应用目标跟踪模型的终端的运算能力；若运算能力大于第一预定能力，则使用HarDNet-85替换掉原始目标跟踪模型中的骨干网络，得到构建出的目标跟踪模型。终端的运算能力和硬件有关，如GPU的计算性能峰值和存储器带宽。当云端算力较高时，可以替换为HarDNet-85作为更高精度的骨干网络，该网络在CenterNet目标检测网络中精度提升非常明显。从而在不影响跟踪速度的情况下提高跟踪精度。

在本实施例的一些可选地实现方式中，构建目标跟踪模型，包括：获取原始目标跟踪模型；获取应用目标跟踪模型的终端的运算能力；若运算能力小于第二预定能力，则使用HRNetV2-W18替换掉原始目标跟踪模型中的骨干网络，并使用深层融合特征金字塔结构替换掉原始目标跟踪模型中的颈部，得到构建出的目标跟踪模型。当云端算力较低时，可以选择HRNetV2-W18作为轻量级骨干网络，同时由于其深浅层特征融合的网络结构特点，保证了其在目标较小或密集的场景下具备较好的表现。如果选择HRNetV2-W18作为轻量级骨干网络，则需要对其出来的几层特征进行融合，所以设计了一个类似DLA结构从高层不断向浅层堆叠融合的DLA-FPN(Deep Layer Aggregation-Feature Pyramid Networks，深层融合特征金字塔)结构，使得特征的融合做的更好，更有利于不同尺度目标的检测和跟踪。

在本实施例的一些可选地实现方式中，构建目标跟踪模型，包括：去除目标跟踪模型中的可变形卷积。对FairMOT Neck(颈)部分进行优化，在原始网络结构中，为了强化浅层特征包含的信息，将不同层级的输出上采样到1/4输入分辨率的特征图中，上采样使用了可变性卷积进一步加强特征的语义表示。而这样的设计导致实际部署在云端设备上时，预测耗时严重，因此当云端算力较低时，去除可变形卷积。从而减少预测的耗时，提高目标跟踪的实时性。

在本实施例的一些可选地实现方式中，构建目标跟踪模型，包括：使用深度可分离卷积替换目标跟踪模型中的头部中的普通卷积。可以在head部分用LiteConv深度可分离卷积替换原先普通卷积，有一定的精度的提升的同时略微降低了参数量计算量。

在本实施例的一些可选地实现方式中，样本集中的样本中的视频帧包括至少一个目标对象；以及构建目标跟踪模型，包括：在目标跟踪模型的再识别头部为不同的类别设置不同维度的全连接层(FC，full connection)。为了扩展到多类别跟踪，可以在ReID head部分按类别划分，给不同的类别开设不同维度的全连接层，以便于训练时Re-ID损失在类间不会混乱，而在类内也能稳定的收敛。

在本实施例的一些可选地实现方式中，调整目标跟踪模型的网络参数，包括：通过同步批量归一化方式和滑动平均方式调整目标跟踪模型的网络参数。训练部分在FairMOT加入Synchronized Batch Normalization(同步批量归一化)，EMA(exponential movingaverage，滑动平均)两种方法，并在显存允许的情况下使用超大batch size和增加训练轮数。跨卡同步批量归一化可以使用全局的样本进行归一化，这样相当于增大了批量大小，这样训练效果不再受到使用GPU数量的影响。EMA用来估计变量的局部均值，使得变量的更新与一段时间内的历史取值有关。EMA可以看作是变量的过去一段时间取值的均值，相比对变量直接赋值而言，滑动平均得到的值在图像上更加平缓光滑，抖动性更小，不会因为某次的异常取值而使得滑动平均值波动很大。

以上策略能够在不增加模型预测耗时的前提下，显著地提升模型的精度。

进一步参见图3，图3是根据本实施例的训练目标跟踪模型的方法的一个应用场景的示意图。在图3的应用场景中，网络接受一个视频序列的输入，依次经过骨干网络Backbone和颈部Neck，然后经过检测Head和Re-ID Head，分别得到检测信息和Re-ID信息，再一起融入Tracker(匹配模块)进行数据关联，最后得到轨迹。其中a部分是模型结构上的优化，包括了骨干网络部分采用HarDNet-85和HRNetV2-W18，DLA-FPN，Head部分和Loss部分的优化。b部分表示的是轨迹匹配的优化。而关于训练策略的优化一般都是与结构和后处理策略无关的，就没有在示意图上表示出来。c部分是检测Head的优化，包括新设计了一个IoUHead。d部分是Re-ID Head的扩展多类别的示意图。

请参见图4，其示出了本公开提供的目标跟踪方法的一个实施例的流程400。该目标跟踪方法可以包括以下步骤：

步骤401，获取待检测的视频帧集合。

在本实施例中，目标跟踪方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待检测的视频帧集合。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的视频。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的视频。视频可以是一些监控摄像头拍摄的监控录像。

步骤402，将视频帧集合输入目标跟踪模型，在每个视频帧中输出至少一个检测框。

在本实施例中，执行主体可以将步骤401中获取的视频输入目标跟踪模型中，从而输出检测框。检测框可以是用于描述图像中目标对象的信息。例如检测框可以标识是否在图像中检测到目标对象，以及在检测到目标对象情况下的位置、类别等。

在本实施例中，目标跟踪模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

步骤403，对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合。

在本实施例中，可以检测到多个目标对象用检测框标记出来，但每个检测框的得分不同，得分越高说明检测框越可信。目标跟踪模型有检测框的输出阈值，如果低于一个输出阈值，则该检测框视为无效检测，不会输出。本申请可将输出阈值设置的比常规值更低一些，比如，常规设置输出阈值为0.5，针对本申请的目标跟踪模型则设置为0.3。则可将大于等于原始输出阈值0.5的检测框作为高分框，将低于原始输出阈值但大于改进输出阈值0.3的检测框作为低分框。

步骤404，对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

在本实施例中，如果没有匹配好的跟踪轨迹，则从第二帧开始匹配，将第二帧与第一帧进行匹配生成跟踪轨迹。如果之前已经有匹配好的跟踪轨迹，则将当前视频帧中高分框与之前已确定的跟踪轨迹进行第一次匹配，将匹配成功的高分框与跟踪轨迹进行关联生成新的轨迹。将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，将匹配成功的低分框与跟踪轨迹进行关联，得到更新后的跟踪轨迹。匹配方式为现有技术，例如，SORT算法、IOU-tracker等，因此不再赘述。SORT首先利用卡尔曼滤波来预测未来的目标位置，计算它们与未来帧中的目标重叠，最后采用匈牙利算法进行目标匹配达到追踪。IOU-tracker在不使用卡尔曼滤波的情况下，通过其空间重叠直接关联相邻帧中的检测，达到追踪效果。

需要说明的是，本实施例目标跟踪方法可以用于测试上述各实施例所生成的目标跟踪模型。进而根据测试结果可以不断地优化目标跟踪模型。该方法也可以是上述各实施例所生成的目标跟踪模型的实际应用方法。采用上述各实施例所生成的目标跟踪模型，来进行目标跟踪，有助于提高目标跟踪的性能。如找到的目标对象轨迹较多，找到的目标对象轨迹比较准确等。

在本实施例的一些可选的实现方式中，第一次匹配和所述第二次匹配包括交并比匹配，所述目标跟踪模型输出检测框的阈值小于原始目标跟踪模型输出检测框的阈值。在网络输出得到检测框信息和Embedding特征后，在原有的匹配模块中额外加入IoU匹配的部分，同时降低输出检测框的分数阈值。检测出当前图像的目标边界框，然后使用卡尔曼滤波预测出另一组目标边界框，通过IoU分数将两组边界框进行匹配，从而完成多目标跟踪。能够保证输出的轨迹结果具有高召回的同时，不增加FP(False Positive，假接受率)的效果。

继续参见图5，作为对上述各图所示方法的实现，本公开提供了一种训练目标跟踪模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的训练目标跟踪模型的装置500可以包括：获取单元501、构建单元502、训练单元503和调整单元504。其中，获取单元501，被配置成获取样本集，其中，所述样本集中的样本包括视频帧和用于标注所述视频帧中目标对象的真实框；构建单元502，被配置成构建目标跟踪模型，其中，所述目标跟踪模型的头部包括交并比头，用于计算交并比损失值；训练单元503，被配置成执行如下训练步骤：从所述样本集中选取样本；将选取的样本中的视频帧输入所述目标跟踪模型，输出预测框；根据选取的样本中的真实框和所述预测框的差异计算原始损失值和交并比损失值；若所述原始损失值和所述交并比损失值的加权和小于预定阈值，则确定出所述目标跟踪模型训练完成；调整单元504，被配置成否则，调整所述目标跟踪模型的网络参数，继续执行所述训练步骤。

在本实施例的一些可选的实现方式中，构建单元502进一步被配置成：获取原始目标跟踪模型；获取应用所述目标跟踪模型的终端的运算能力；若所述运算能力大于第一预定能力，则使用HarDNet-85替换掉所述原始目标跟踪模型中的骨干网络，得到构建出的目标跟踪模型。

在本实施例的一些可选的实现方式中，构建单元502进一步被配置成：获取原始目标跟踪模型；获取应用所述目标跟踪模型的终端的运算能力；若所述运算能力小于第二预定能力，则使用HRNetV2-W18替换掉所述原始目标跟踪模型中的骨干网络，并使用深层融合特征金字塔结构替换掉所述原始目标跟踪模型中的颈部，得到构建出的目标跟踪模型。

在本实施例的一些可选的实现方式中，构建单元502进一步被配置成：去除所述目标跟踪模型中的可变形卷积。

在本实施例的一些可选的实现方式中，构建单元502进一步被配置成：使用深度可分离卷积替换所述目标跟踪模型中的头部中的普通卷积。

在本实施例的一些可选的实现方式中，样本集中的样本中的视频帧包括至少一个目标对象；以及构建单元502进一步被配置成：在目标跟踪模型的ReID头部为不同的类别设置不同维度的全连接层。

在本实施例的一些可选的实现方式中，调整单元504进一步被配置成：通过同步批量归一化方式和滑动平均方式调整所述目标跟踪模型的网络参数。

继续参见图6，作为对上述各图所示方法的实现，本公开提供了一种目标跟踪装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的目标跟踪装置600可以包括：获取单元601、检测单元602、分组单元603和匹配单元604。其中，获取单元601，被配置成获取待检测的视频帧集合；检测单元602，被配置成将所述视频帧集合输入根据装置500训练完成的目标跟踪模型，在每个视频帧中输出至少一个检测框；分组单元603，被配置成对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合；匹配单元604，被配置成对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

在本实施例的一些可选的实现方式中，第一次匹配和所述第二次匹配包括交并比匹配，所述目标跟踪模型输出检测框的阈值小于原始目标跟踪模型输出检测框的阈值。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行流程200或400所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或400所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或400所述的方法。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如训练目标跟踪模型的方法。例如，在一些实施例中，训练目标跟踪模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的训练目标跟踪模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练目标跟踪模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种训练目标跟踪模型的方法，包括：

获取样本集，其中，所述样本集中的样本包括视频帧和用于标注所述视频帧中目标对象的真实框，所述视频帧包括至少一个目标对象；

构建目标跟踪模型，其中，所述目标跟踪模型的头部包括交并比头，用于计算交并比损失值，在所述目标跟踪模型的再识别头部为不同的类别设置不同维度的全连接层；

执行如下训练步骤：从所述样本集中选取样本；将选取的样本中的视频帧输入所述目标跟踪模型，输出预测框；根据选取的样本中的真实框和所述预测框的差异计算原始损失值和交并比损失值；若所述原始损失值和所述交并比损失值的加权和小于预定阈值，则确定出所述目标跟踪模型训练完成；

否则，调整所述目标跟踪模型的网络参数，继续执行所述训练步骤。

2.根据权利要求1所述的方法，其中，所述构建目标跟踪模型，包括：

获取原始目标跟踪模型；

获取应用所述目标跟踪模型的终端的运算能力，其中，所述运算能力包括GPU的计算性能峰值和存储器带宽；

若所述运算能力大于第一预定能力，则使用HarDNet-85替换掉所述原始目标跟踪模型中的骨干网络，得到构建出的目标跟踪模型。

3.根据权利要求1所述的方法，其中，所述构建目标跟踪模型，包括：

获取原始目标跟踪模型；

获取应用所述目标跟踪模型的终端的运算能力；

若所述运算能力小于第二预定能力，则使用HRNetV2-W18替换掉所述原始目标跟踪模型中的骨干网络，并使用深层融合特征金字塔结构替换掉所述原始目标跟踪模型中的颈部，得到构建出的目标跟踪模型。

4.根据权利要求3所述的方法，其中，所述构建目标跟踪模型，包括：

去除所述目标跟踪模型中的可变形卷积。

5.根据权利要求2-4中任一项所述的方法，其中，所述构建目标跟踪模型，包括：

使用深度可分离卷积替换所述目标跟踪模型中的头部中的普通卷积。

6.根据权利要求1所述的方法，其中，所述调整所述目标跟踪模型的网络参数，包括：

通过同步批量归一化方式和滑动平均方式调整所述目标跟踪模型的网络参数。

7.一种目标跟踪方法，包括：

获取待检测的视频帧集合；

将所述视频帧集合输入根据权利要求1-6中任一项所述的方法训练完成的目标跟踪模型，在每个视频帧中输出至少一个检测框；

对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合；

对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

8.根据权利要求7所述的方法，其中，所述第一次匹配和所述第二次匹配包括交并比匹配，所述目标跟踪模型输出检测框的阈值小于原始目标跟踪模型输出检测框的阈值。

9.一种训练目标跟踪模型的装置，包括：

获取单元，被配置成获取样本集，其中，所述样本集中的样本包括视频帧和用于标注所述视频帧中目标对象的真实框，所述视频帧包括至少一个目标对象；

构建单元，被配置成构建目标跟踪模型，其中，所述目标跟踪模型的头部包括交并比头，用于计算交并比损失值，在所述目标跟踪模型的再识别头部为不同的类别设置不同维度的全连接层；

训练单元，被配置成执行如下训练步骤：从所述样本集中选取样本；将选取的样本中的视频帧输入所述目标跟踪模型，输出预测框；根据选取的样本中的真实框和所述预测框的差异计算原始损失值和交并比损失值；若所述原始损失值和所述交并比损失值的加权和小于预定阈值，则确定出所述目标跟踪模型训练完成；

调整单元，被配置成否则，调整所述目标跟踪模型的网络参数，继续执行所述训练步骤。

10.根据权利要求9所述的装置，其中，所述构建单元进一步被配置成：

获取原始目标跟踪模型；

获取应用所述目标跟踪模型的终端的运算能力，其中，所述运算能力包括GPU的计算性能峰值和存储器带宽；

若所述运算能力大于第一预定能力，则使用HarDNet-85替换掉所述原始目标跟踪模型中的骨干网络，得到构建出的目标跟踪模型。

11.根据权利要求9所述的装置，其中，所述构建单元进一步被配置成：

获取原始目标跟踪模型；

获取应用所述目标跟踪模型的终端的运算能力；

若所述运算能力小于第二预定能力，则使用HRNetV2-W18替换掉所述原始目标跟踪模型中的骨干网络，并使用深层融合特征金字塔结构替换掉所述原始目标跟踪模型中的颈部，得到构建出的目标跟踪模型。

12.根据权利要求11所述的装置，其中，所述构建单元进一步被配置成：

去除所述目标跟踪模型中的可变形卷积。

13.根据权利要求10-12中任一项所述的装置，其中，所述构建单元进一步被配置成：

使用深度可分离卷积替换所述目标跟踪模型中的头部中的普通卷积。

14.根据权利要求9所述的装置，其中，所述调整单元进一步被配置成：

通过同步批量归一化方式和滑动平均方式调整所述目标跟踪模型的网络参数。

15.一种目标跟踪装置，包括：

获取单元，被配置成获取待检测的视频帧集合；

检测单元，被配置成将所述视频帧集合输入根据权利要求9-14中任一项所述的装置训练完成的目标跟踪模型，在每个视频帧中输出至少一个检测框；

分组单元，被配置成对于每个视频帧，根据检测框的得分将该视频帧中的检测框划分成高分框集合和低分框集合；

匹配单元，被配置成对于每个视频帧，将该视频帧的高分框集合与之前已确定的跟踪轨迹进行第一次匹配，将第一次匹配失败的跟踪轨迹与该视频帧的低分框集合进行第二次匹配，得到更新后的跟踪轨迹。

16.根据权利要求15所述的装置，其中，所述第一次匹配和所述第二次匹配包括交并比匹配，所述目标跟踪模型输出检测框的阈值小于原始目标跟踪模型输出检测框的阈值。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

Images