[发明专利]基于神经网络模型的目标跟踪方法及装置

权利要求书

1.一种基于神经网络模型的目标跟踪方法，其中所述神经网络模型包括特征提取神经网络、第一神经网络和第二神经网络，所述目标跟踪方法包括：

S120，将待处理视频输入至所述特征提取神经网络，以提取所述待处理视频的特征数据；

S140，将所述待处理视频的特征数据输入至所述第一神经网络，以获得所述待处理视频中的至少一个目标的边界框；以及

S160，将所述待处理视频的特征数据和所述边界框输入至所述第二神经网络，从而根据所述边界框的相似度获得所述边界框的标识符，以跟踪所述待处理视频中的所述至少一个目标，其中所述标识符用于指示所述至少一个目标。

2.如权利要求1所述的目标跟踪方法，其中，所述第一神经网络包括第一子神经网络和第二子神经网络，所述步骤S140包括：

S142，将所述待处理视频的特征数据输入至所述第一子神经网络，以获得所述边界框的粗略位置；以及

S144，将所述待处理视频的特征数据和所述边界框的粗略位置输入至所述第二子神经网络，以获得所述边界框的准确位置和指示所述边界框内包括所述至少一个目标的概率值。

3.如权利要求1所述的目标跟踪方法，其中，所述第二神经网络包括第三子神经网络和第四子神经网络，所述步骤S160包括：

将所述特征数据和所述边界框输入至所述第三子神经网络，以获得所述待处理视频中的不同帧中的边界框之间的外观相似度；

根据所述外观相似度和所述不同帧中的边界框之间的距离计算所述待处理视频中的所述不同帧中的边界框之间的距离相似度；以及

将所述外观相似度和所述距离相似度输入至所述第四子神经网络，从而获得所述边界框的标识符，以跟踪所述待处理视频中的所述至少一个目标。

4.如权利要求1或2所述的目标跟踪方法，其中，所述第一神经网络和/或所述特征提取神经网络包括卷积神经网络。

5.如权利要求1所述的目标跟踪方法，所述目标跟踪方法还包括以下步骤：

使用训练视频训练所述神经网络模型，其中，在所述训练视频中，针对训练目标标注了边界框和标识符，所述标识符用于指示所述训练目标；

其中，所述使用训练视频训练所述神经网络模型包括：

S112，将所述训练视频输入至所述特征提取神经网络，以提取所述训练视频的特征数据；

S114，将所述训练视频的特征数据输入至所述第一神经网络以获得所述训练目标的边界框，并且根据所标注的边界框和所述第一神经网络获得的所述训练目标的边界框计算检测损失函数值；

S116，将所述训练视频的特征数据和所述第一神经网络获得的所述训练目标的边界框输入至所述第二神经网络以获得所述训练目标的边界框的标识符，并根据所标注的标识符和所述第二神经网络获得的所述训练目标的边界框的标识符计算跟踪损失函数值；以及

S118，在所述检测损失函数值和/或所述跟踪损失函数值不满足预设条件的情况和/或迭代次数小于第一阈值的情况下，同时调整所述特征提取神经网络的参数以及所述第一神经网络的参数和/或所述第二神经网络的参数并且转所述步骤S112，否则，停止对所述神经网络模型的训练并获得训练好的所述神经网络模型以用于跟踪目标。

6.如权利要求5所述的目标跟踪方法，其中，所述检测损失函数值包括检测交叉熵和检测回归损失函数值，所述步骤S118包括：

根据所述检测交叉熵和所述检测回归损失函数值的加权和，同时调整所述特征提取神经网络的参数和所述第一神经网络的参数。

7.如权利要求5所述的目标跟踪方法，其中，所述跟踪损失函数值包括跟踪交叉熵和跟踪回归损失函数值，所述步骤S118包括：

根据所述跟踪交叉熵和所述跟踪回归损失函数值的加权和，同时调整所述特征提取神经网络的参数、所述第一神经网络的参数和所述第二神经网络的参数。