本申請提供了一種目標跟蹤方法及相關產品，方法包括：獲取目標圖像和待跟蹤圖像；將目標圖像輸入到預設神經網絡模型，得到第一特征信息，預設神經網絡模型包括第一分支網絡和第二分支網絡；將待跟蹤圖像的搜索區域輸入到預設神經網絡模型，得到第二特征信息；將第一特征信息與第二特征信息進行融合，得到搜索區域的權重值和roi回歸值；依據權重值和roi回歸值確定搜索區域對應的目標區域，以及跟蹤模板是否進行更新。采用本申請可提升目標跟蹤準確率。

技術領域

本申請涉及圖像處理技術領域，具體涉及一種目標跟蹤方法及相關產品。

背景技術

目標跟蹤是指通過計算機圖像處理技術在給定某視頻序列初始幀的目標大小與位置的情況下，預測后續幀中該目標的大小與位置，在安防監控、交通管理、電子監控等系統中有著很重要的實際應用。

目標跟蹤的主要難點在于特征提取，模型是否在線更新通常也是跟蹤問題的矛盾問題，在線實時更新策略在目標存在遮擋或者形變較大時，丟失后便很難調整回來，在線不更新策略則隨著目標的移動，形變的累積誤差會導致特征的匹配度不夠，因此，如何提升目標跟蹤準確率的問題亟待解決。

發明內容

本申請實施例提供了一種目標跟蹤方法及相關產品，能夠提高目標跟蹤準確率。

本申請實施例第一方面提供了一種目標跟蹤方法，包括：

獲取目標圖像和待跟蹤圖像，所述目標圖像與所述待跟蹤圖像為待處理視頻中的前后兩幀圖像；

將所述目標圖像輸入到預設神經網絡模型，得到第一特征信息，所述預設神經網絡模型包括第一分支網絡和第二分支網絡，所述第一分支網絡包括3個卷積層，3個batchNorm層，3個pooling層，且在訓練時固定該分支參數不變，所述第一分支網絡還包括attention模型，所述attention模型的每個通道特征被劃分為3x3個網格，對每個網格進行maxpooling個avgpooling，并通過多層感知機MLP和sigmoid產生輸出系數，所述第二分支網絡包括5個卷積層，5個batchNorm層，5個pooling層，且在訓練時參數迭代更新；

將所述待跟蹤圖像的搜索區域輸入到所述預設神經網絡模型，得到第二特征信息；

將所述第一特征信息與所述第二特征信息進行融合，得到所述搜索區域的權重值和roi回歸值；

依據所述權重值和所述roi回歸值確定所述搜索區域對應的目標區域，以及跟蹤模板是否進行更新；

在所述跟蹤模板不更新時，則直接進行下一幀圖像跟蹤，在所述跟蹤模板更新時，更新所述跟蹤模板，并基于更新后的所述跟蹤模板進行下一幀圖像跟蹤。

本申請實施例第二方面提供了一種目標跟蹤裝置，包括:

獲取單元，用于獲取目標圖像和待跟蹤圖像，所述目標圖像與所述待跟蹤圖像為待處理視頻中的前后兩幀圖像；

特征提取單元，用于將所述目標圖像輸入到預設神經網絡模型，得到第一特征信息，所述預設神經網絡模型包括第一分支網絡和第二分支網絡，所述第一分支網絡包括3個卷積層，3個batchNorm層，3個pooling層，且在訓練時固定該分支參數不變，所述第一分支網絡還包括attention模型，所述attention模型的每個通道特征被劃分為3x3個網格，對每個網格進行maxpooling個avgpooling，并通過多層感知機MLP和sigmoid產生輸出系數，所述第二分支網絡包括5個卷積層，5個batchNorm層，5個pooling層，且在訓練時參數迭代更新；以及將所述待跟蹤圖像的搜索區域輸入到所述預設神經網絡模型，得到第二特征信息；

融合單元，用于將所述第一特征信息與所述第二特征信息進行融合，得到所述搜索區域的權重值和roi回歸值；