1.一种多目标追踪方法,其特征在于,所述方法包括:通过目标检测分割模型对待处理图像进行目标检测及分割处理,以获得所述待处理图像中的待追踪目标的分割结果;
通过追踪向量生成算法对所述待追踪目标的分割结果进行运算,生成所述待追踪目标的追踪向量;
通过预设的目标追踪模型对所述待追踪目标的追踪向量进行帧间相似度计算,将相似度大于预设阈值的待追踪目标作为同一待追踪目标,实现对所述待追踪目标的追踪。
2.根据权利要求1所述的方法,其特征在于,所述目标检测分割模型包括卷积神经主干网络和候选区域生成模型,所述卷积神经主干网络包括轮廓归一化模型及卷积神经网络,通过目标检测分割模型对待处理图像进行目标检测及分割处理,以获得所述待处理图像中的待追踪目标的分割结果,包括:通过所述卷积神经主干网络对输入的待处理图像进行特征提取,获得所述待处理图像的归一化特征信息;
通过候选区域生成模型对所述归一化特征信息进行处理,获得所述待处理图像中的待追踪目标的分割结果,其中,所述待追踪目标的分割结果包括目标类别、各个目标类别的检测置信度、检测框及分割掩码。
3.根据权利要求2所述的方法,其特征在于,所述目标检测分割模型还包括双向长短期记忆人工神经网络,在通过候选区域生成模型对所述特征信息进行处理之前,所述方法还包括:
将所述卷积神经主干网络提取的特征信息输入至所述双向长短期记忆人工神经网络进行帧间时空特征增强处理,使得输出所述待处理图像的卷积特征包含帧间关联的特征信息。
4.根据权利要求1所述的方法,其特征在于,所述通过追踪向量生成算法对所述待追踪目标的分割结果进行运算,生成所述待追踪目标的追踪向量,包括:将所述待追踪目标的分割结果中的分割掩码输入至所述追踪向量生成算法中进行运算,为所述待追踪目标生成追踪向量。
5.根据权利要求2所述的方法,其特征在于,所述卷积神经主干网络包括卷积神经网络及多个轮廓归一化模型,所述卷积神经网络包括多个卷积层,每个所述卷积层后设置有一个所述轮廓归一化模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括训练所述目标追踪模型的步骤,所述步骤包括:
将被标记好的多个训练样本输入至追踪算法模型运算,获得实际输出的追踪结果;
根据实际输出的追踪结果的评估结果调整网络参数,并将多个所述训练样本输入网络参数调整后的追踪算法模型进行运算,获得更新后的实际输出的追踪结果;
重复上述步骤,当所述实际输出的追踪结果的评估结果最优时结束训练,将结束训练时的网络参数作为目标追踪模型的网络参数。
7.根据权利要求6所述的方法,其特征在于,所述将被标记好的多个训练样本输入至追踪算法模型运算,获得实际输出的追踪结果,包括:针对所述训练样本的每一帧图像,计算所述训练样本的当前帧图像中各个待追踪目标的追踪向量和前一帧图像中各个待追踪目标的追踪向量的相似矩阵;
根据所述相似矩阵计算所述当前帧图像和上一帧图像中的各个待追踪目标的相似度;
获得所述相似度大于预设阈值的待追踪目标,并将所述相似度大于预设阈值且相似度最高的待追踪目标作为实际输出的追踪结果。
8.一种多目标追踪装置,其特征在于,所述装置包括:分割模块,用于通过目标检测分割模型对待处理图像进行目标检测及分割处理,以获得所述待处理图像中的待追踪目标的分割结果;
追踪向量生成模块,用于通过追踪向量生成算法对所述待追踪目标的分割结果进行运算,生成所述待追踪目标的追踪向量;
相似度匹配模块,用于通过预设的目标追踪模型对所述待追踪目标的追踪向量进行帧间相似度计算,将相似度大于预设阈值的待追踪目标作为同一待追踪目标,实现对所述待追踪目标的追踪。
9.根据权利要求8所述的装置,其特征在于,所述目标检测分割模型包括卷积神经主干网络和候选区域生成模型,所述卷积神经主干网络包括轮廓归一化模型及卷积神经网络,所述分割模块包括:
特征提取子模块,用于通过所述卷积神经主干网络对输入的待处理图像进行特征提取,获得所述待处理图像的归一化特征信息;
分割结果获取子模块,用于通过候选区域生成模型对所述归一化特征信息进行处理,获得所述待处理图像中的待追踪目标的分割结果,其中,所述待追踪目标的分割结果包括目标类别、各个目标类别的检测置信度、检测框及分割掩码。
10.根据权利要求9所述的装置,其特征在于,所述卷积神经主干网络包括卷积神经网络及多个轮廓归一化模型,所述卷积神经网络包括多个卷积层,每个所述卷积层后设置有一个所述轮廓归一化模型。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1‑7任一项所述的方法。
12.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1‑7任一项所述的方法。