(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210697887.9 (22)申请日 2022.06.20 (71)申请人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路二段96 0号 (72)发明人 张建明　谢贤定　郑卓凡　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 张志梅 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 目标跟踪方法、 装置、 电子设备及可读存储 介质 (57)摘要 本申请公开了一种目标跟踪方法、 装置、 电 子设备及可读 存储介质， 应用于计算机视觉技术 领域， 用于高效精准地实现对视频目标的跟踪检 测。 方法包括将待处理图像帧和待跟踪目标图像 帧输入至分类与质量融合模型和边界偏移感知 模型； 分类与质量融合模型基于统一后的分类预 测分数和质量估计 分数， 确定待跟踪目标在待处 理图像帧的置信度； 边界偏移感知模 型将边界的 偏移量从连续值转变为离散值， 根据偏移量落入 由离散值划分的多个区间的概率确定粗定位偏 移信息； 并通过卷积操作计算偏移量在目标区间 的细定位偏移信息， 根据粗定位偏移信息和细定 位偏移信息确定回归框， 通过选择置信度最高位 置所对应的回归框， 确定待跟踪目标在待处理图 像帧中的位置 。 权利要求书3页 说明书12页 附图5页 CN 114937229 A 2022.08.23 CN 114937229 A 1.一种目标跟踪方法， 其特 征在于， 包括： 预先训练分类与质量融合模型和边界偏移感知模型； 所述分类与质量融合模型的分类 标签为所述 边界偏移感知模型的预测回归框和真实框的IOU分数值； 将待处理图像帧和待跟踪目标图像帧输入至所述分类与质量融合模型和所述边界偏 移感知模型； 所述分类与质量融合模型基于统一后的分类预测分数和质量估计分数， 确定待跟踪目 标在所述待处理图像帧的置信度； 所述边界偏移感知 模型将边界的偏移 量从连续值转变为 离散值， 根据所述偏移量落入由离散值划分的多个区间的概率确定粗定位偏移信息； 并通 过卷积操作计算所述偏移量在目标区间的细定位偏移信息， 根据所述粗定位偏移信息和所 述细定位偏移信息确定回归框； 根据所述置信度和所述回归框， 通过选择置信度最高位置所对应的回归框， 确定所述 待跟踪目标在所述待处 理图像帧中的位置 。 2.根据权利要求1所述的目标跟踪方法， 其特征在于， 所述将待处理图像帧和待跟踪目 标图像帧输入至所述分类与质量融合模型和所述 边界偏移感知模型， 包括： 分别将待处理图像帧的特征提取网络、 待跟踪目标图像帧的特征提取网络的多个目标 层的特征图输入至所述分类与质量融合模型； 所述分类与质量融合模型对各特征图进行卷积操作， 通过逐像素相加卷积结果， 得到 分类与质量估计分数融合得分图。 3.根据权利要求2所述的目标跟踪方法， 其特征在于， 所述基于统一后的分类预测分数 和质量估计分数， 确定待跟踪目标在所述待处 理图像帧的置信度， 包括： 调用第一损 失函数， 基于统一后的分类预测分数和质量估计分数， 确定待跟踪目标在 所述待处 理图像帧的置信度； 所述第一损失函数为： 式中， S为总样本数量， θ为所述分类与质量估计分数融合得分图， |y ‑θ|2为动态比例因 子， cls为分类， qly为质量估计， Lcls‑qly表示含有分类和质量估计的第一损失函数， y为目标 的置信度， u为第u个样本 。 4.根据权利要求1至3任意一项所述的目标跟踪方法， 其特征在于， 所述根据所述偏移 量落入由离 散值划分的多个区间的概 率确定粗定位偏移信息， 包括： 调用粗定位关系式计算 粗定位偏移信息； 所述 粗定位关系式为： 式中， X为粗定位偏移信息， xi为离散标签集合中的第i个标签， n为区间总数， P(xi)为所 述偏移量 落入第i个标签对应的区间的概 率； 采用区间交叉熵损失函数， 将所述边界偏移感知模型转移至当前位置与真实框的目标 边的偏移量 最近的目标区间； 所述区间交叉熵损失函数为：权　利　要　求　书 1/3 页 2 CN 114937229 A 2式中， Linterval(S(xi)， P(xi))为所述区间交叉熵损失函数， S(xi)为区间的偏移 量的独热 标签， S(xi)∈{0， 1}。 5.根据权利要求4所述的目标跟踪方法， 其特征在于， 所述根据 所述粗定位偏移信 息和 所述细定位偏移信息确定回归框， 包括： 调用偏移量计算关系式， 计算回归框的偏移量； 所述偏移量计算关系式为： 式中， 为所述回归框的偏移量， △X为待跟踪目标在目标区间内与真实边框的偏移 量， DX为所述细定位偏移信息 。 6.根据权利要求5所述的目标跟踪方法， 其特征在于， 所述根据 所述粗定位偏移信 息和 所述细定位偏移信息确定回归框， 包括： 调用优化关系式对边界偏移感知模型进行整体优化； 所述优化关系式为： 式中， pb为所述回归框， gt为待跟踪目标的真实框， pos为正样本的数量， Lreg(pb， gt)为 IOU损失函数。 7.根据权利要求6所述的目标跟踪方法， 其特征在于， 所述调用优化关系式对边界偏移 感知模型进行整体优化之后， 还 包括： 调用重优化损失函数更新所述边界偏移感知模型的IOU损失函数， 所述重优化损失函 数为： Lreg‑fin＝θ Lreg(pb， gt) 式中， Lreg‑fin为重优化损失函数， θ 为所述分类与质量估计分数融合得分图。 8.一种目标跟踪装置， 其特 征在于， 包括： 模型训练模块， 用于预先训练分类与质量融合模型和边界偏移感知模型； 所述分类与 质量融合模型的分类标签为所述 边界偏移感知模型的预测回归框和真实框的IOU分数值； 图像输入模块， 用于将待处理图像帧和待跟踪目标图像帧输入至所述分类与质量融合 模型和所述边界偏移感知 模型； 所述分类与质量融合模型基于统一后的分类预测分数和质 量估计分数， 确定待跟踪目标在所述待处理图像帧的置信度； 所述边界偏移感知模型将边 界的偏移量从连续值转变为离散值， 根据所述偏移 量落入由离散值划分的多个区间的概率 确定粗定位偏移信息； 并通过卷积操作计算所述偏移量在目标区间的细定位偏移信息， 根 据所述粗定位偏移信息和所述细定位偏移信息确定回归框； 跟踪处理模块， 用于根据所述置信度和所述回归框， 通过选择置信度最高位置所对应权　利　要　求　书 2/3 页 3 CN 114937229 A 3