[发明专利]目标跟踪模型训练方法及装置、电子设备和存储介质

权利要求书

1.一种目标跟踪模型训练方法，其特征在于，包括：

利用样本数据训练学习模型，获得待验证模型；

向所述待验证模型输入验证样本的输入量，得到所述待验证模型的输出量；其中，所述输出量包括：目标对象的检测参数的检测量，其中，所述检测参数包括：坐标参数及属性参数；所述检测量包括：坐标值和属性值；所述坐标值表征目标对象的位置，用于目标对象的跟踪；所述属性值表征目标对象的属性，用于目标对象的检测；

将对应于所述输入量的真实量及所述输出量代入一个损失函数，得到损失值；其中所述损失值，用于指示所述待验证模型检测和跟踪目标对象的累积偏差；

比较所述损失值和目标值；

若所述损失值小于所述目标值，确定所述待验证模型为训练得到的同时具有检测和跟踪功能的端到端跟踪模型，且所述待验证模型能同时处理检测任务和跟踪任务；

其中，所述利用样本数据训练学习模型，获得待验证模型，包括：

利用样本数据训练未确定网络参数的神经网络，得到已确定网络参数的神经网络；

所述神经网络包括：

特征层，用于提取采集图像中的检测对象的特征，得到第一类特征图；

检测层，用于对所述第一类特征图进行处理，提取出所述检测对象的检测量；

回归层，用于根据所述检测对象的检测量，对不同时刻的所述采集图像中同一检测对象进行映射，并确定出同一检测对象的运动轨迹。

2.根据权利要求1所述的方法，其特征在于，

所述向所述待验证模型输入验证样本的输入量，得到所述待验证模型的输出量，包括：

向所述待验证模型输入第一时刻的采集图像，得到采集图像中检测对象的检测参数的检测量。

3.根据权利要求2所述的方法，其特征在于，

所述坐标参数，包括：在x方向上x参数和在y方向上的y参数，其中，所述x方向垂直于所述y方向；

所述属性参数，包括：检测对象的宽度、高度及类型的至少其中之一。

4.根据权利要求1至3任一项所述的方法，其特征在于，

所述损失函数如下：

其中，所述L为所述损失值；

λ_coord为预先确定的坐标权重系数；

λ_class为预先确定的类型权重系数；

λ_reg为预先确定的坐标变换量的权重系数；

x，y为所述真实量中的坐标值；

为所述检测量中的坐标值；

w为所述真实量中的宽度值；

为所述检测量中的宽度值；

h为所述真实量中的高度值

为所述检测量中的高度值；

Δ^t为所述真实值中坐标对应于时刻t的坐标变化量；

为所述检测量中坐标对应于时刻t的坐标变化量；

为基于x，y及计算的L2范数；

为基于w，h及计算的L2范数；

L_class为基于检测参数中的类型及真实值中的类型，计算的类型损失；

为基于Δt和计算的坐标损失。

5.根据权利要求1所述的方法，其特征在于，

所述检测层包括：一个或多个卷积层或一个或多个全连接层；

所述卷积层，用于通过卷积运算得到所述检测量；

所述全连接层，用于通过矩阵乘法得到所述检测量。

6.根据权利要求1所述的方法，其特征在于，

所述检测层包括：

目标框网络RPN层，用于确定检测对象所在的目标区域；

兴趣区域池化层，用于从所述目标区域提取所述检测量。