1.一种目标跟踪方法,其特征在于,包括:获取包含有待跟踪目标的视频的目标视频帧;
根据所述待跟踪目标的标记信息对所述目标视频帧进行滤波,得到所述待跟踪目标位于所述目标视频帧中各个位置的置信度数据;
根据所述待跟踪目标在历史视频帧中的历史位置信息,预测所述待跟踪目标在所述目标视频帧中的运动目标位置;所述历史视频帧为所述视频中位于所述目标视频帧之前的视频帧;
在所述置信度数据满足无遮挡条件的情况下,构建以所述运动目标位置为中心的高斯矩阵,并根据所述高斯矩阵和所述置信度数据,在所述目标视频帧中确定所述待跟踪目标的搜索中心;
根据所述搜索中心和预设搜索区域尺寸,从所述目标视频帧中截取搜索区域,并在所述搜索区域中提取所述待跟踪目标的位置信息。
2.如权利要求1所述的目标跟踪方法,其特征在于,所述根据所述待跟踪目标的标记信息对所述目标视频帧进行滤波,包括:获取参考视频帧中的待跟踪目标的标记信息;所述参考视频帧为所述目标视频帧的前一个所述历史视频帧;
根据所述参考视频帧中的待跟踪目标的标记信息,对基于相关滤波的跟踪器进行训练,得到第一滤波器;
采用所述第一滤波器对所述目标视频帧进行滤波。
3.如权利要求1所述的目标跟踪方法,其特征在于,所述根据所述待跟踪目标的标记信息对所述目标视频帧进行滤波,包括:获取参考视频帧中的待跟踪目标的标记信息;所述参考视频帧为所述目标视频帧的前一个所述历史视频帧;
根据所述参考视频帧中的待跟踪目标的标记信息,对基于相关滤波的跟踪器进行训练,得到第二滤波器;
对所述第二滤波器和第三滤波器进行平滑处理,得到第四滤波器;所述第三滤波器为对所述前一个所述历史视频帧进行滤波的滤波器;
采用所述第四滤波器对所述目标视频帧进行滤波。
4.如权利要求1所述的目标跟踪方法,其特征在于,所述根据所述待跟踪目标在历史视频帧中的历史位置信息,预测所述待跟踪目标在所述目标视频帧中的运动目标位置,包括:获取所述待跟踪目标在历史视频帧中的历史位置信息;
将所述待跟踪目标在历史视频帧中的历史位置信息,输入至多输入单输出的预设循环神经网络模型,得到所述待跟踪目标在所述目标视频帧中的运动目标位置。
5.如权利要求4所述的目标跟踪方法,其特征在于,在所述将所述待跟踪目标在历史视频帧中的历史位置信息,输入至多输入单输出的预设循环神经网络模型之前,所述方法还包括:
获取测试视频中连续的N+1个视频帧;所述N+1个视频帧均包括测试目标的位置信息,N为正整数;
将N+1个视频帧中的前N个视频帧的位置信息作为初始循环神经网络模型的训练样本,将第N+1个视频帧中的位置信息作为所述初始循环神经网络模型的测试样本,对所述初始循环神经网络模型进行训练,得到所述预设循环神经网络模型。
6.如权利要求1所述的目标跟踪方法,其特征在于,所述根据所述高斯矩阵和所述置信度数据,在所述目标视频帧中确定所述待跟踪目标的搜索中心,包括:根据所述高斯矩阵对所述置信度数据进行加权,得到加权置信度数据;
将所述加权置信度数据中的最大值对应的位置,确定为所述待跟踪目标在所述目标视频帧中的搜索中心。
7.如权利要求1所述的目标跟踪方法,其特征在于,在所述预测所述待跟踪目标在所述目标视频帧中的运动目标位置之后,所述方法还包括:在所述置信度数据不满足无遮挡条件的情况下,将所述运动目标位置确定为所述待跟踪目标在所述目标视频帧中的搜索中心;
根据所述搜索中心和预设搜索区域尺寸,从所述目标视频帧中截取搜索区域,并在所述搜索区域中提取所述待跟踪目标的位置信息。
8.一种目标跟踪装置,其特征在于,包括:获取模块,用于获取包含有待跟踪目标的视频的目标视频帧;
滤波模块,用于根据所述待跟踪目标的标记信息对所述目标视频帧进行滤波,得到所述待跟踪目标位于所述目标视频帧中各个位置的置信度数据;
预测模块,用于根据所述待跟踪目标在历史视频帧中的历史位置信息,预测所述待跟踪目标在所述目标视频帧中的运动目标位置;所述历史视频帧为所述视频中位于所述目标视频帧之前的视频帧;
确定模块,用于在所述置信度数据满足无遮挡条件的情况下,构建以所述运动目标位置为中心的高斯矩阵,并根据所述高斯矩阵和所述置信度数据,在所述目标视频帧中确定所述待跟踪目标的搜索中心;
提取模块,用于根据所述搜索中心和预设搜索区域尺寸,从所述目标视频帧中截取搜索区域,并在所述搜索区域中提取所述待跟踪目标的位置信息。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。