[发明专利]目标跟踪方法、装置、存储介质和电子设备

说明书

本公开涉及一种目标跟踪方法、装置、存储介质和电子设备，包括根据确定的目标物体对获取到的第一视频帧进行跟踪，得到带有目标物体标记的第二视频帧，并显示第二视频帧；若在跟踪过程中判定目标物体丢失，则直接显示第一视频帧；从丢失目标物体的时刻之后，对第一视频帧进行目标物体的查找，以查找得到一个带有目标物体标记的第三视频帧；从第三视频帧所对应的第一视频帧开始恢复对第一视频帧的跟踪，得到带有目标物体标记的第四视频帧，并显示第四视频帧。这样，能够在丢失目标物体之后完成对目标物体的重新查找和重新追踪，在保证跟踪速度的情况下提高了跟踪精度，且在一般的移动平台上就可以实现。

技术领域

本公开涉及视频跟踪领域，具体地，涉及一种目标跟踪方法、装置、存储介质和电子设备。

背景技术

目标追踪是计算机视觉方向的一个主要研究领域，其应用在生活中无处不在，如：智能监控，无人机追踪，人机交互和无人驾驶等等。目前的追踪一般是指在视频或显示流的某一帧图像上人工标定出需要进行跟踪的目标物体(行人，车辆等等)，然后需要算法在后续帧中持续的将目标物体标出。通常目标跟踪面临几大难点：外形变化，光照变化，快速移动与运动模糊，遮挡和出视野，以及背景相似干扰等。由于这些干扰的存在，在对目标物体跟踪的过程中可能会出现目标物体消失或者被遮挡或者无法检测到的情况，此时，各种跟踪算法就出现了如何在出现以上情况时保持对目标物体的跟踪状态以及保证跟踪精度的问题。

目前的跟踪算法大多是基于短时跟踪任务的，在长时间的跟踪任务上的完成效果不太理想，主要分为两大类：生成模型方法和判别模型方法。生成模型方法主要有kalman滤波，粒子滤波，mean-shift等。判别模型方法主要以相关滤波方法为主，主要原理是：后一帧通过搜索前一帧目标附近区域并进行相关计算，找出相关系数最大的区域作为当前帧的目标区域。以上这些跟踪算法大都无法很理想的处理跟踪丢失以及重新跟踪的问题。

近年来深度学习发展迅速，深度学习算法可以较为精确地检测到视频中每一个视频帧中需要被跟踪的目标物体的位置，但是深度学习网络需要强大的算力以及存储，在移动平台上无法达到实时运行。具体来说，对于一个30frames/sec的视频流来说，每一帧有不多于33ms的时间用于处理，33ms之后就需要把处理后的视频帧显示出来。但是目前大多数基于深度学习网络的方法在移动平台上无法在33ms内完成处理。这就导致了视频流的下一帧需要先缓存下来等待处理和显示。当视频流的每一帧都需要缓存并等待处理且处理时间永远大于视频流输入间隔时间时，就会造成预览buffer堵塞，显示的视频不流畅。

发明内容

本公开的目的是提供一种目标跟踪方法、装置、存储介质和电子设备，能够在对目标物体跟踪丢失时，利用深度学习的方法完成对目标物体的重新查找，并对目标物体进行重新追踪，在保证跟踪速度的情况下提高了跟踪精度。

为了实现上述目的，本公开提供一种目标跟踪方法，包括：

根据确定的目标物体对获取到的第一视频帧按照获取的顺序进行跟踪，得到带有目标物体标记的第二视频帧，并按照所述跟踪的顺序显示所述第二视频帧，其中，所述第二视频帧与所述第一视频帧一一对应；

若在所述跟踪过程中判定所述目标物体丢失，则在丢失所述目标物体的时刻之后，直接按照所述第一视频帧获取的顺序，显示不带所述目标物体标记的所述第一视频帧；

在丢失所述目标物体的时刻之后，在所述第一视频帧中按照所述第一视频帧获取的顺序，对所述第一视频帧进行所述目标物体的查找，以查找得到一个带有所述目标物体标记的第三视频帧；

从所述第三视频帧所对应的所述第一视频帧开始，按照所述第一视频帧获取的顺序，恢复对所述第一视频帧的所述跟踪，得到带有所述目标物体标记的第四视频帧，并按照所述跟踪的顺序显示所述第四视频帧，其中，所述第四视频帧与所述第一视频帧一一对应。