[发明专利]一种基于ECO的单目标抗遮挡跟踪方法以及装置

说明书

本公开是关于一种基于ECO的单目标抗遮挡跟踪方法、装置、电子设备以及存储介质。其中，该方法包括：通过调节单目标跟踪模型的检测参数、搜索比例因子及搜索阈值、样本类别数量及样本容量，提升单目标跟踪模型的跟踪速度；计算所述单目标跟踪模型中目标图像的峰值旁瓣比，并判断跟踪目标的遮挡状态；在目标的跟踪状态为遮挡时，将所述单目标跟踪模型调整为全图搜索模式，并调整单目标跟踪模型的搜索阈值，以使单目标跟踪模型完成对目标的重新定位跟踪。本公开通过峰值旁瓣比进行目标遮挡的判断，通过自适应目标的搜索范围和尺度实现灵活的抗遮挡稳定跟踪，能够实现对目标的快速、持续、稳定的跟踪。

技术领域

本公开涉及图像目标跟踪领域，具体而言，涉及一种基于ECO的单目标抗遮挡跟踪方法、装置、电子设备以及计算机可读存储介质。

背景技术

目标跟踪技术是计算机视觉领域的关键问题之一。随着科技的发展，运动目标的跟踪问题逐渐成为了研究的热点。目标跟踪技术的应用十分广泛，如智能视频监控、人机交互、机器人视觉导航、虚拟现实和医学诊断等领域。目标跟踪技术可以按照多种方式进行分类，按照对象可以分为单目标跟踪和多目标跟踪；按照任务计算类型可以分为在线跟踪和离线跟踪；按照实现原理可以分为基于目标模型建模的跟踪和基于搜索的跟踪；按照算法原理可以分为生成式跟踪和鉴别式跟踪；按照时间顺序可以分为传统的跟踪方法、基于相关滤波的跟踪方法以及基于深度学习的跟踪方法。

传统的跟踪方法中有如结合了Harris、SIFT等特征的改进光流法，或者是添加预测目标移动趋势的Kalman滤波的方法。但是，基于光流法的目标跟踪需要对所有的像素点进行计算，实时性非常差；而基于Kalman滤波的方法只适用于线性系统，非线性的系统难以有效实现。基于深度学习的方法因通过多层卷积神经网络训练大量的数据从而提取图像的深层特征、实现目标的精准识别定位逐渐成为近年的研究热点。但是基于深度学习的方法依旧存在着较大缺陷，其一是正样本只有第一帧中的目标,没有大量的数据不能够训练出性能过关的分类器；其二是需要连接多层网络提高跟踪精度,但是随着卷积层数量的提高，网络的复杂度增加，导致算法的实时性降低,无法满足运动目标的实时跟踪要求。类似于传统技术的光流法、深度学习的方法难以保障实时性的需求，除此之外，目标的遮挡问题也是跟踪技术发展过程中需要解决的关键问题。

一种基于深度学习的单目标跟踪方法CN202111138038.1，使用了深度学习的方法，对由前一帧图像、掩码图像、当前帧图像组成的运动图像对进行位置预测，预测出当前帧图像中的所有目标位置以及前一帧图像中待跟踪目标的运动位移量，通过该目标位置以及运动位移量更新掩码，从而实现单目标跟踪。但是，该方法依赖于目标检测框架，一旦检测出现失败则无法持续跟踪，不仅如此，由于需要先检测后跟踪，两步骤叠加耗时较大，难以实现快速实时地跟踪。

无人机单目标平台跟踪方法CN202110225620.5，使用构建的网络模型提取特征进行分类和回归，打破了空间不变的条件约束，使用跨层特征聚合结构聚合多尺度特征图，使用深度分离互相关结构减少参数个数。该方法依赖于SiamPRN网络。SiamPRN网络本身是在SiamFC的基础之上引入Faster RCNN的RPN模块，使得跟踪器可以节省掉多尺度测试，提升跟踪速度。该方法在此基础上追加了多尺度特征，损失了跟踪速度，即使针对整个卷积滤波的参数进行了剪枝，依旧会在速度降低的情况下同时损失有效特征。

因此，需要一种或多种方法解决上述问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于ECO的单目标抗遮挡跟踪方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种基于ECO的单目标抗遮挡跟踪方法，包括：