本申请实施例涉及图像处理领域，具体涉及计算机视觉领域，尤其涉及在视频中进行目标跟踪的方法和装置。
背景技术：
目标跟踪，是指在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹。例如，给定图像第一帧的目标坐标位置，计算在下一帧图像中目标的确切位置。
在运动过程中，目标可能会呈现一些图像上的变化，比如姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等。目标跟踪算法的研究也围绕着解决这些变化和具体的应用展开。
现有技术中，已有了多种目标跟踪的算法，例如，粒子滤波(particlefilter)方法、基于特征点的光流算法、基于相关滤波的跟踪算法等等。
技术实现要素：
本申请实施例提出了在视频中进行目标跟踪的方法和装置。
第一方面，本申请实施例提供了一种在视频中进行目标跟踪的方法，包括：基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域；将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息；基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域；以及将确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标。
在一些实施例中，在将所截取的候选区域输入预先训练的全卷积网络之前，方法还包括训练全卷积网络的步骤，训练全卷积网络的步骤包括：建立初始全卷积网络；获取训练样本集，训练样本集包括多个训练样本对，训练样本对包括同一视频文件的其中两帧图像以及用于标注目标对象在两帧图像中所处区域的标注信息；将训练样本集输入初始全卷积网络，基于预先设置的损失函数训练初始全卷积网络，得到训练后的全卷积网络。
在一些实施例中，将所确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标，包括：将从特征图中截取出的各候选目标区域输入预设的池化层，得到与各候选目标区域相对应的候选特征图；对于每一个候选特征图，计算该候选特征图与预先获取的待跟踪目标的特征图之间的相似度；将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标。
在一些实施例中，在将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标之后，方法还包括：将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图作为待跟踪目标的特征图。
在一些实施例中，方法还包括：以预设的时间间隔在视频的当前帧中检测待跟踪目标；以及基于所检测的待跟踪目标，更新待跟踪目标的特征图。
在一些实施例中，视频的历史帧与视频的当前帧为视频中相邻的两帧。
第二方面，本申请实施例还提供了一种在视频中进行目标跟踪的装置，包括：截取单元，配置用于基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域；特征获取单元，配置用于将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息；候选目标区域确定单元，基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域；以及目标跟踪单元，配置用于将确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标。
在一些实施例中，装置还包括训练单元，训练单元配置用于在特征获取单元将所截取的候选区域输入预先训练的全卷积网络之前：建立初始全卷积网络；获取训练样本集，训练样本集包括多个训练样本对，训练样本对包括同一视频文件的其中两帧图像以及用于标注目标对象在两帧图像中所处区域的标注信息；将训练样本集输入初始全卷积网络，基于预先设置的损失函数训练初始全卷积网络，得到训练后的全卷积网络。
在一些实施例中，目标跟踪单元进一步配置用于：将从特征图中截取出的各候选目标区域输入预设的池化层，得到与各候选目标区域相对应的候选特征图；对于每一个候选特征图，计算该候选特征图与预先获取的待跟踪目标的特征图之间的相似度；将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标。
在一些实施例中，装置还包括确定单元；确定单元配置用于在目标跟踪单元将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标之后，将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图作为待跟踪目标的特征图。
在一些实施例中，装置还包括：检测单元，配置用于以预设的时间间隔在视频的当前帧中检测待跟踪目标；以及更新单元，配置用于基于所检测的待跟踪目标，更新待跟踪目标的特征图。
在一些实施例中，视频的历史帧与视频的当前帧为视频中相邻的两帧。
第三方面，本申请实施例还提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一的方法。
本申请实施例提供的在视频中进行目标跟踪的方法和装置，通过基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域，将所截取的候选区域输入预先训练的全卷积网络，得到特征图，再基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域，最后，将所确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标，可以基于待跟踪目标本身的特征，从多个候选目标区域中确定出当前帧中的待跟踪目标，有利于目标跟踪的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的在视频中进行目标跟踪的方法的一个实施例的流程图；
图3a是待跟踪目标在视频的其中一个历史帧中所处位置的示意图；
图3b是在视频的当前帧中截取出的候选区域的示意图；
图3c是候选区域中，各候选目标区域的示意图；
图4a～图4d是根据本申请的在视频中进行目标跟踪的方法的一个应用场景示意图；
图5是根据本申请的在视频中进行目标跟踪的方法的另一个实施例的流程图；
图6是本申请各实施例的在视频中进行目标跟踪的方法中，使用的全卷积网络的训练方法的示意性流程图；
图7是根据本申请的在视频中进行目标跟踪的装置的一个实施例的结构图；
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的在视频中进行目标跟踪的方法或在视频中进行目标跟踪的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上播放的视频提供支持的后台处理服务器。后台处理服务器可以对接收到的目标跟踪请求等数据进行分析等处理，并将处理结果(例如，加载了待跟踪目标在每一视频帧所在区域的视频数据)反馈给终端设备。
需要说明的是，本申请实施例所提供的在视频中进行目标跟踪的方法可以由服务器105执行，或者，也可以由终端设备101、102、103执行。相应地，在视频中进行目标跟踪的装置可以设置于服务器105中，或者，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备101、102、103，网络104和服务器105的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的在视频中进行目标跟踪的方法的一个实施例的流程200。该在视频中进行目标跟踪的方法，包括以下步骤：
步骤201，基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域。
在本实施例中，在视频中进行目标跟踪的方法的执行主体(例如图1所示的服务器)可以响应于接收到用户发送的目标跟踪请求，来在视频中执行目标跟踪的操作。
在这里，目标跟踪请求例如可以包括待跟踪的目标的特征信息。特征信息例如可以是任何能够表征待跟踪目标的特征的信息。例如，在一些应用场景中，用户期望跟踪拍摄某场篮球比赛得到的视频文件中，第一个投篮的球员在球赛中的轨迹。那么，在该应用场景中，“第一个投篮的球员”可以作为待跟踪目标的特征信息。
接着，本实施例的方法的执行主体可以按照视频文件的播放顺序，依照某种目标检测算法，在视频帧中进行目标检测。如果在视频文件的某一帧中检测到了目标，则可以将该视频帧作为本步骤中的历史帧，并基于待跟踪目标在该历史帧中的位置，来确定待跟踪目标在后续播放的视频帧中可能出现的候选区域。
在一些应用场景中，若待跟踪目标在视频的历史帧处于(x1y1,x2y2)这一区域中，那么，可以在当前帧中，根据(x1y1,x2y2)这一矩形区域的范围，确定一候选区域的范围。在这里，(x1y1)和(x2y2)可以分别是表征待跟踪目标在历史帧所处的矩形区域的左上角和右下角在预设的平面直角坐标系下的坐标值。可以理解的是，当前帧中，候选区域可以包括或者不包括(x1y1,x2y2)这一矩形区域。
参见图3a所示，其示出了一个历史帧300a。从该历史帧300a中，已确定出了待跟踪目标310所处的矩形区域，且该矩形区域的左上角、右下角在预设的直角坐标系(oxy)下的坐标值分别为(x1y1)和(x2y2)。此时，可以在当前帧中，截取出一范围作为候选区域。
例如，参见图3b所示，其示意性地示出了视频的当前帧中，候选区域320所处范围(x3y3,x4y4)。不难看出，图3b所截取出的候选区域(x3y3,x4y4)包含了(x1y1,x2y2)这一矩形区域。
候选区域的具体位置和范围大小，可以根据先验知识和具体的应用场景来设置。例如，可以根据待跟踪目标的移动速度、移动范围等来设置。
在一些应用场景中，待跟踪目标可以是某一机动车。在这些应用场景中，可以根据机动车的移动速度范围(例如，0～100km/小时)以及视频帧中，机动车行驶的道路在视频帧中所处的区域，来设置候选区域的位置和大小。
可以理解的是，在缺乏先验知识的情况下，为了避免待跟踪目标未出现在从当前帧选取出的候选区域中，在一些应用场景中，也可以将当前帧的全部区域作为候选区域。
返回继续参见图2所示，本实施例的在视频中进行目标跟踪的方法还包括：
步骤202，将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息。
本步骤中，可以将所截取出的候选区域(例如，图3b所示的候选区域320)输入到预先训练的全卷积网络，得到特征图。
全卷积网络(fullyconvolutionalnetwork，fcn)可以接受任意尺寸的输入图像，然后通过反卷积层对最后一个卷积层的特征图(featuremap)进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测。同时，保留了原始输入图像中的空间信息，最后在与输入图等大小的特征图上对每个像素进行分类，逐像素地用softmax分类计算损失，相当于每个像素对应一个训练样本。
正是由于fcn具有以上的特点，无论输入fcn的候选区域尺寸大小，均可以通过fcn，得到候选区域中，各像素的特征信息。
通过fcn得到的特征图例如可以包括候选区域中的像素点的分类信息和回归信息。在这里，分类信息可以表示像素点属于待跟踪目标的概率，而回归信息则可以表示特征图中，属于待跟踪目标的可能区域。具体地，通过该fcn，可以输出多个通道的特征图，这些特征图可以包含候选区域中，每个像素点属于待跟踪目标的概率信息，以及该像素点属于待跟踪目标时，该像素点相对于其所属的待跟踪目标的相对位置的信息。
步骤203，基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域。
通过步骤202，可以得到候选区域中，每个像素的分类信息和回归信息。可以理解的是，对于候选区域中的每一个属于待跟踪目标的概率超过一预设阈值的像素，均对应了一个相对于其所属的待跟踪目标的相对位置的信息。在一些应用场景中，该像素相对于其所属的待跟踪目标的相对位置的信息可以表示为包围该像素点的包围盒。在这里，包围盒例如可以是候选区域中，包含该像素点的一矩形区域。这样一来，对候选区域中，所有属于待跟踪目标的概率超过一预设阈值的像素所确定出的包围盒进行聚类，便可以确定出与各候选目标一一对应的候选目标区域。如图3c所示，其示意性地示出了对候选区域320中各包围盒进行聚类得到的四个候选目标区域310a～310d。
步骤204，将确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标。
通过比较各候选目标区域和待跟踪目标的相似度，可以从候选目标区域中确定出与待跟踪目标最为接近的一个候选目标区域。该候选目标区域，可认为是当前帧中，最可能是待跟踪目标的区域。
在一些可选的实现方式中，通过上述步骤203，确定出了候选区域中的各个候选目标区域，并且，候选目标区域中的各像素均具有一属于待跟踪目标的概率。因此，本步骤中，可以基于各候选目标区域中每个像素属于待跟踪目标的概率，确定出该候选目标区域为待跟踪目标的概率，并将该概率作为该候选目标区域与待跟踪目标的相似度。这样一来，便可以将所有候选目标区域中，具有最大概率的候选目标区域作为当前帧中的待跟踪目标。
本实施例的在视频中进行目标跟踪的方法，通过基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域，将所截取的候选区域输入预先训练的全卷积网络，得到特征图，再基于所述候选目标区域信息，从所述特征图中确定出与各所述候选目标一一对应的候选目标区域，最后，将所确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为所述当前帧中的待跟踪目标，可以基于待跟踪目标本身的特征，从多个候选目标区域中确定出当前帧中的待跟踪目标，有利于目标跟踪的准确性。
参见图4a～图4d所示，为本实施例的在视频中进行目标跟踪的方法的一个应用场景的示意图。
在该场景中，假设有中国运动员a、日本运动员b和韩国运动员c一同参加某一长跑比赛，期望对中国运动员a进行目标跟踪。
假设在某一个历史帧中，中国运动员a处于如图4b所示的位置。
接着，基于中国运动员a在如图4b所示的历史帧中的位置，从如图4c所示的当前帧中，确定出一候选区域410。
接着，截取该候选区域410，输入预先训练的全卷积网络，并得到三个候选目标区域410a、410b和410c，如图4d所示。通过候选目标区域410a～410c与待跟踪目标(例如，从如图4b的历史帧中提取出的中国运动员a的特征)的相似度计算，可以确定出，候选目标区域410a～410c中的候选目标区域410b为中国运动员a。
参见图5所示，为本申请的在视频中进行目标跟踪的方法的另一个实施例的示意性流程图500。
本实施例的方法包括：
步骤501，基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域。
步骤502，将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息。
步骤503，基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域。
上述步骤501～步骤503可以按照与图2所示实施例的步骤201～步骤203类似的方式执行，在此不再赘述。
通过如上的步骤501～503，可以从特征图中确定出与各候选目标一一对应的候选目标区域，例如，候选目标区域可以具有如图3c中310a～310d所示的表现形式。
步骤504，将从特征图中截取出的各候选目标区域输入预设的池化层，得到与各候选目标区域相对应的候选特征图。
在这里，从特征图中截取出的各候选目标区域可以作为各个roi(regionsofinterest，感兴趣区域)。通过对这些roi进行池化操作，可以得到分别与这些候选目标区域相对应的、具有相同尺寸的候选特征图。本步骤的池化操作例如可以是最大池化(maxpooling)、平均池化(meanpooling)、随机池化(stochasticpooling)等。
步骤505，对于每一个候选特征图，计算该候选特征图与预先获取的待跟踪目标的特征图之间的相似度。
在这里，可以将从历史帧中确定出的待跟踪目标的特征图作为预先获取的待跟踪目标的特征图。这样一来，预先获取的待跟踪目标的特征图可以与对当前帧执行步骤501～505之后得到的各候选特征图具有相同的尺寸。
本步骤中，可以采用任何现有的或待未来开发的方式来计算候选特征图与预先获取的待跟踪目标的特征图之间的相似度，例如，包括但不限于欧氏距离、余弦相似度等。
步骤506，将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标。
可以理解的是，候选特征图与预先获取的待跟踪目标的特征图之间的相似度越高，该候选特征图所对应的区域是当前帧中的待跟踪目标的可能性越大。通过比较各候选特征图与预先获取的待跟踪目标的特征图之间的相似度，可以从中确定出当前帧中，最有可能是待跟踪目标的区域。
本实施例的在视频中进行目标跟踪的方法，采用roi池化的方法来得到各候选目标区域的候选特征图，可以使得所得到的候选特征图具有相同的尺寸，有利于降低相似度计算时的计算量，并且进一步提高从候选目标确定出待跟踪目标的准确性。
在本实施例的一些可选的实现方式中，在从各候选特征图中确定出与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图之后，可以将该相似度最高的候选特征图作为待跟踪目标的新的特征图。这样一来，在对视频的后续各帧进行目标跟踪时，可以将该新的特征图作为相似度计算的基准，在一些待跟踪目标的特点随着时间的推移发生渐变的应用场景，通过对待跟踪目标的特征图进行更新，可以进一步提升待跟踪目标的跟踪的准确性。
在本实施例的一些可选的实现方式中，还可以通过每间隔一段时间重新检测待跟踪目标的方式来更新待跟踪目标的特征图。
具体而言，请继续参见图5，在步骤507中，可以以预设的时间间隔在视频的当前帧中检测待跟踪目标。
在这里，预设的时间间隔可以根据应用场景、待跟踪目标在视频中的移动特点来设置。并且，该时间间隔可以是一固定值，也可以是一可变数值。例如，在一些应用场景中，可以每间隔100帧进行一次待跟踪目标的检测。待跟踪目标的检测方法可以采用现有的目标检测算法来实现，在此不再赘述。
接着，在步骤508中，基于所检测的待跟踪目标，更新待跟踪目标的特征图。
这样一来，通过对待跟踪目标的特征图的更新，可以避免多次相似度运算所造成的待跟踪目标的特征图的误差累积，进而提升目标跟踪的准确性。
在一些可选的实现方式中，在本申请上述各实施例中使用的全卷积网络可以采用如图6所示的方式来进行训练。
具体地，步骤601，建立初始全卷积网络。
在这里，可以建立一具有多个卷积层的初始全卷积网络，并且为该初始全卷积网络中的参数赋初值。
步骤602，获取训练样本集，训练样本集包括多个训练样本对，训练样本对包括同一视频文件的其中两帧图像以及用于标注目标对象在两帧图像中所处区域的标注信息。
标注信息可以是任何能够对视频帧中的目标对象和非目标对象进行区分的信息。例如，可以对视频帧中，属于目标对象的各像素均标识“1”，而对视频帧中的其它非目标对象的各像素标识“0”。
步骤603，将训练样本集输入初始全卷积网络，基于预先设置的损失函数训练初始全卷积网络，得到训练后的全卷积网络。
将训练样本集输入初始全卷积网络之后，可以输出特征图，并且特征图可以具有表征像素点属于目标对象的概率(也即，分类信息)，以及像素点属于待跟踪目标时，该像素点相对于其所属的待跟踪目标的相对位置的信息(也即，回归信息)。
通过将分类信息、回归信息与标注信息输入预先设置的损失函数，可以得出一损失值。将该损失值在全卷积神经网络中反向传播，可以对全卷积神经网络中的各参数进行调整。
这样一来，通过循环往复地将训练样本集输入全卷积网络、确定损失值以及损失值的反向传播，可以不断地调整全卷积神经网络中的参数，直至达到训练完成条件(例如，损失值小于某一预设的损失值阈值)。
在本申请各实施例的在视频中进行目标跟踪的方法的一些可选的实现方式中，视频的历史帧与视频的当前帧可以为视频中相邻的两帧。这样一来，可以实现逐帧地在视频中跟踪目标，有利于目标跟踪的连续性。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种在视频中进行目标跟踪的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的在视频中进行目标跟踪的装置可以包括截取单元701、特征获取单元702、候选目标区域确定单元703以及目标跟踪单元704。
截取单元701可配置用于基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域。
特征获取单元702可配置用于将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息。
候选目标区域确定单元703可基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域。
目标跟踪单元704可配置用于将确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标。
在一些可选的实现方式中，本实施例的在视频中进行目标跟踪的装置还可以包括训练单元(图中未示出)。
在这些可选的实现方式中，训练单元可配置用于在特征获取单元将所截取的候选区域输入预先训练的全卷积网络之前：建立初始全卷积网络；获取训练样本集，训练样本集包括多个训练样本对，训练样本对包括同一视频文件的其中两帧图像以及用于标注目标对象在两帧图像中所处区域的标注信息；将训练样本集输入初始全卷积网络，基于预先设置的损失函数训练初始全卷积网络，得到训练后的全卷积网络。
在一些可选的实现方式中，目标跟踪单元704还可以进一步配置用于：将从特征图中截取出的各候选目标区域输入预设的池化层，得到与各候选目标区域相对应的候选特征图；对于每一个候选特征图，计算该候选特征图与预先获取的待跟踪目标的特征图之间的相似度；将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标。
在一些可选的实现方式中，本实施例的在视频中进行目标跟踪的装置还可以进一步包括确定单元(图中未示出)。
在这些可选的实现方式中，确定单元还可配置用于在目标跟踪单元将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图所对应的候选目标区域作为当前帧中的待跟踪目标之后，将与预先获取的待跟踪目标的特征图之间的相似度最高的候选特征图作为待跟踪目标的特征图。
在一些可选的实现方式中，本实施例的在视频中进行目标跟踪的装置还可以包括检测单元(图中未示出)和更新单元(图中未示出)。
在这些可选的实现方式中，检测单元可配置用于以预设的时间间隔在视频的当前帧中检测待跟踪目标。
更新单元可配置用于基于所检测的待跟踪目标，更新待跟踪目标的特征图。
在一些可选的实现方式中，视频的历史帧与视频的当前帧为视频中相邻的两帧。
下面参考图8，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统800的结构示意图。图8示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括截取单元、特征获取单元、候选目标区域确定单元以及目标跟踪单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，截取单元还可以被描述为“基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域；将所截取的候选区域输入预先训练的全卷积网络，得到特征图，其中，特征图包含用于指示候选目标在特征图中所处位置的候选目标区域信息；基于候选目标区域信息，从特征图中确定出与各候选目标一一对应的候选目标区域；以及将确定出的候选目标区域中，与待跟踪目标相似度最高的候选目标区域作为当前帧中的待跟踪目标。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。