一种目标跟踪方法、装置以及计算机可读存储装置与流程

本申请涉及计算机视觉技术领域，特别是涉及一种目标跟踪方法、装置以及计算机可读存储装置。

背景技术：

随着计算机视觉、人工智能等相关技术的快速发展，其在安防领域的应用也越来越广泛。人脸识别作为人工智能技术在安防首先应用的领域，具有广阔的市场前景，从而引发学术界和工业界的关注。

在人脸识别的实现中，目标跟踪技术作为不可或缺的关键步骤，由于行人具有姿态多变的特性，外观易受衣着、尺度变化、遮挡和拍摄角度以及行人穿梭产生互相遮挡等因素影响，使得人脸跟踪出现跟丢，跟错等严重影响最终人脸识别效果的问题。其中，由于外物遮挡、同类目标遮挡等情况在安防场景下的场景。

目前，在实际产品应用上暂时没有特别有效的方法能够解决遮挡问题。研究针对遮挡目标具有鲁棒性且能达到实时的目标跟踪算法也是目标跟踪领域的一大难题。因此，解决遮挡目标的跟踪在学术界和工业界的研究十分火热并具有广泛的应用价值。

技术实现要素：

本申请至少提供一种目标跟踪方法、装置以及计算机可读存储介质。

本申请第一方面提供了一种目标跟踪方法，所述目标跟踪方法包括：

获取连续多帧待检测图像；

识别所述待检测图像的人脸框和头肩框，以将所述人脸框和所述头肩框关联；

计算关联成功的所述人脸框中人脸的遮挡面积；

在所述人脸的遮挡面积大于第一预设面积的情况下，采用注意力机制获取所述人脸框中人脸的特征信息；

在所述人脸的遮挡面积小于等于所述第一预设面积的情况下，通过所述人脸框获取人脸的特征信息；

计算相邻帧待检测图像中人脸的特征信息的余弦距离；

在所述余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸。

其中，所述计算关联成功的所述人脸框中人脸的遮挡面积的步骤，包括：

基于预设遮挡阈值判断关联成功的所述人脸框的人脸各个关键区域是否被遮挡；

结合所述人脸各个关键区域的判断结果，计算所述人脸框中人脸的遮挡参数；

基于所述人脸的遮挡参数获取所述人脸框中人脸的遮挡面积。

其中，所述计算关联成功的所述人脸框中人脸的遮挡面积的步骤之后，所述目标跟踪方法还包括：

在所述人脸的遮挡面积大于第二预设面积的情况下，通过所述头肩框获取人脸的特征信息，其中，所述第一预设面积小于所述第二预设面积。

其中，所述通过所述头肩框获取人脸的特征信息的步骤，包括：

将所述头肩框输入头肩特征提取网络模型，获取所述头肩框中头肩的特征信息；

基于所述人脸框和所述头肩框的位置关系，由所述头肩框中头肩的特征信息获取所述人脸框中人脸的特征信息。

其中，所述采用注意力机制获取所述人脸框中人脸的特征信息的步骤，包括：

将所述人脸框输入人脸特征提取网络，获取所述人脸框中人脸的第一特征信息；

将所述人脸框输入注意力特征提取网络，获取所述人脸框中人脸的第二特征信息，其中，所述注意力特征提取网络包括从上到下的特征提取方式和/或从下到上的特征提取方式；

基于所述人脸的第一特征信息和第二特征信息结合得到所述人脸的特征信息。

其中，所述获取所述待检测图像的人脸框和头肩框的步骤，包括：

获取所述待检测图像的人脸框和头肩框；

判断是否至少连续n帧待检测图像检测出所述人脸框，且所述n帧待检测图像中相邻位置的人脸框之间的重合度大于第一设定阈值；

若是，基于所述n帧待检测图像创建人脸框跟踪体；

判断是否至少连续n帧待检测图像检测出所述头肩框，且所述n帧待检测图像中相邻位置的头肩框之间的重合度大于所述第一设定阈值；

若是，基于所述n帧待检测图像创建头肩框跟踪体；

其中，n为大于等于3的整数。

其中，所述将所述人脸框和所述头肩框关联的步骤，包括：

计算所述人脸框跟踪体中的人脸框和所述头肩框跟踪体中的头肩框的重合度；

在所述重合度大于第二设定阈值的情况下，将对应的人脸框和头肩框进行关联；

将关联成功的头肩框信息存储到所述人脸框跟踪体内，将关联成功的人脸框信息存储到所述头肩框跟踪体内。

其中，所述计算所述人脸框跟踪体中的人脸框和所述头肩框跟踪体中的头肩框的重合度的步骤之后，所述目标跟踪方法还包括：

在所述重合度小于等于所述第二设定阈值的情况下，将关联失败的人脸框和/或头肩框存储在临时目标库；

将连续n帧无法成功关联的目标的人脸框和/或头肩框从所述临时目标库中删除。

其中，所述在所述余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸的步骤，包括：

在所述余弦距离小于所述预设阈值的情况下，获取对应人脸的人脸框宽高比；

删除所述人脸框宽高比与预设宽高比的差值大于预设差值的人脸框；

将剩余人脸框中的人脸标注为跟踪的目标人脸。

本申请第二方面提供了一种目标跟踪装置，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现第一方面所述的目标跟踪方法。

本申请第三方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的目标跟踪方法。

上述方案，目标跟踪装置获取连续多帧待检测图像；识别待检测图像的人脸框和头肩框，以将人脸框和头肩框关联；计算关联成功的人脸框中人脸的遮挡面积；在人脸的遮挡面积大于第一预设面积的情况下，采用注意力机制获取人脸框中人脸的特征信息；在人脸的遮挡面积小于等于第一预设面积的情况下，通过人脸框获取人脸的特征信息；计算相邻帧待检测图像中人脸的特征信息的余弦距离；在余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸。通过上述方式，本申请能够提高遮挡情况下的人脸跟踪效果，从而大幅度提升人脸跟踪的鲁棒性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。

图1是本申请提供的目标跟踪方法一实施例的流程示意图；

图2是本申请提供的人脸、头肩检测效果示意图；

图3是图1的目标跟踪方法的步骤s12一实施例的流程示意图；

图4是本申请提供的重合度计算方式的示意图；

图5是图1的目标跟踪方法的步骤s13一实施例的流程示意图；

图6是本申请提供的注意力机制的结构示意图；

图7是本申请提供的带有残差注意力网络的特征提取网络的结构示意图；

图8是本申请提供的无注意力机制的人脸特征提取网络的结构示意图；

图9是本申请提供的目标跟踪装置一实施例的框架示意图；

图10是本申请提供的目标跟踪装置另一实施例的框架示意图；

图11是本申请提供的计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。需注意的是，对于下述方法实施例，若有实质上相同的结果，本申请的方法并不以图示的流程顺序为限。

下面对本申请各实施例进行说明。

请参阅图1，图1是本申请提供的目标跟踪方法一实施例的流程示意图。目标跟踪方法的执行主体可以是目标跟踪装置，例如，目标跟踪方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该目标跟踪方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

如图1所示，该目标跟踪方法包括以下步骤：

s11：获取连续多帧待检测图像。

其中，目标跟踪装置与外设摄像头通信连接，并获取外设摄像头采集的连续多帧待检测图像。另外，目标跟踪装置还可以直接获取外设摄像头采集的监控视频，并将监控视频分割成连续多帧的待检测图像。

s12：识别待检测图像的人脸框和头肩框，以将人脸框和头肩框关联。

其中，目标跟踪装置将待检测图像输入目标检测模型，如yolo-v3等检测模型，从而获取目标检测模型输出的人脸框和头肩框。具体地，目标检测模型的检测结果请参阅图2，图2是本申请提供的人脸、头肩检测效果示意图。

识别人脸框和头肩框后，目标跟踪装置需要进一步根据人脸框之间的位置关系创建人脸框跟踪体，根据头肩框之间的位置关系创建头肩框跟踪体。其中，人体关键部位跟踪体的创建是将无序的检出目标根据不同目标类型，即不同人体部位有序排列，并创建用于后续流程使用的跟踪体。

具体地，目标跟踪装置判断是否至少连续n帧待检测图像中均可以检测出人脸框，且连续n帧待检测图像中相邻帧待检测图像中存在人脸框之间的重合度大于第一设定阈值。若是，则满足跟踪体的创建条件，根据连续n帧待检测图像中的人脸框信息创建人脸框跟踪体。

目标跟踪装置判断是否至少连续n帧待检测图像中均可以检测出头肩框，且连续n帧待检测图像中相邻帧待检测图像中存在头肩框之间的重合度大于第一设定阈值。若是，则满足跟踪体的创建条件，根据连续n帧待检测图像中的头肩框信息创建头肩框跟踪体。

其中，n为大于等于3的整数，第一设定阈值可以设定为0.5或其他数值。

上述跟踪体中包含用于后续关联的关键信息，包括但不限于：待跟踪的目标id(tracker_id)、目标的类型(tracker_type，即人脸类型或头肩类型)、重合度信息(跟踪体与上一帧中同类目标集合中最大重合度值)、关联信息(用于存储该目标与其他身体部位的关联关系)、目标回归框(以x_min,y_min,x_max,y_max,分别表示目标回归框的左上角坐标和右下角坐标)。跟踪体内还开辟有空间用于存储跟踪目标经过后续特征提取网络提取到的特征信息等。

创建完人脸框跟踪体和头肩框跟踪体后，目标跟踪装置还需要将人脸框跟踪体中的人脸框和头肩框跟踪体中的头肩框进行关联。关联的具体步骤请参阅图3，图3是图1的目标跟踪方法的步骤s12一实施例的流程示意图。如图3所述，关联方法具体包括以下步骤：

s21：计算人脸框跟踪体中的人脸框和头肩框跟踪体中的头肩框的重合度。

其中，目标跟踪装置将人脸框跟踪体中的人脸框和头肩框跟踪体中的头肩框两两之间计算人脸框和头肩框的重合度。重合度计算示意图请参阅图4，如图4所示，iou＝(人脸框面积∩头肩框面积)/人脸框面积。其中，iou值即重合度。

s22：在重合度大于第二设定阈值的情况下，将对应的人脸框和头肩框进行关联。

其中，目标跟踪装置将重合度大于第二设定阈值的人脸框和头肩框进行关联，第二设定阈值可以设定为0.7或其他数值。

进一步地，当出现与同一头肩框出现多个人脸框满足关联条件时，目标跟踪装置将其中重合度最大的人脸框与该头肩框进行关联。当出现人脸框与同一头肩框的重合度均为1时，目标跟踪装置将人脸框中心位置与头肩框中心位置最接近的人脸框和头肩框进行关联。

s23：将关联成功的头肩框信息存储到人脸框跟踪体内，将关联成功的人脸框信息存储到头肩框跟踪体内。

其中，目标跟踪装置将关联成功的人脸框和头肩框进行信息交换，即目标跟踪装置将人脸框的目标id、目标类型和目标回归框等信息，存储到对应头肩框跟踪体的关联信息中，以及目标跟踪装置将头肩框的目标id、目标类型和目标回归框等信息，存储到对应人脸框跟踪体的关联信息中。

对于未关联成功的人脸框，目标跟踪装置将这部分人脸框存储在临时目标库。连续n帧关联失败后，目标跟踪装置将该人脸框从临时目标库删除。未删除的人脸框继续与下一帧跟踪体进行如上关联过程，迭代进行直至成功关联或满足上述删除条件被删除。

s13：计算关联成功的人脸框中人脸的遮挡面积。

其中，目标跟踪装置通过遮挡感知模块对关联成功的人脸框中的人脸进行遮挡的判断。具体地，本实施例的遮挡感知模块由输入为人脸的小型卷积神经网络构成。

例如，该卷积神经网络输入的人脸图像可以为64*64尺寸的人脸框，由如图5的残差网络结构构成的四层浅网络，使用大量严重遮挡人脸、部分遮挡人脸、正常人脸三类离线数据集训练的分类网络。在推理预测过程中，目标跟踪装置将来自于人脸跟踪体的人脸目标作为卷积神经网络的输入，输出为该人脸属于上述三类中哪一类遮挡类型的置信度，由此完成人脸遮挡的感知判断。

其中，除了上述遮挡感知模块进行初步地判断人脸是否遮挡外，目标跟踪装置还可以进一步计算关联成功的人脸框中人脸的遮挡面积，具体计算方式请参阅图5，图5是图1的目标跟踪方法的步骤s13一实施例的流程示意图。如图5所述，人脸的遮挡面积的计算方法具体包括以下步骤：

s31：基于预设遮挡阈值判断关联成功的人脸框的人脸各个关键区域是否被遮挡。

其中，目标跟踪装置通过结合人脸关键区域的关键点是否存在，并按照多个关键区域的遮挡情况进一步对人脸进行遮挡程度评估。

具体地，人脸关键区域包括但不限于以下区域：眼睛区域、鼻子区域、嘴巴区域、脸颊区域以及下巴区域等。上述每个人脸关键区域均预设有若干个关键点，目标跟踪装置通过从人脸关键区域是否能识别到预设的关键点，从而判断该人脸关键区域是否被遮挡。

例如，目标跟踪装置可以根据识别到的关键点数量与预设的关键点数量的比值评估该人脸关键区域是否被遮挡，用于评估的预设遮挡阈值可以为以下参数：

left_eye:0.6,#左眼被遮挡的阈值。

right_eye:0.6,#右眼被遮挡的阈值。

nose:0.7,#鼻子被遮挡的阈值。

mouth:0.7,#嘴巴被遮挡的阈值。

left_check:0.8,#左脸颊被遮挡的阈值。

right_check:0.8,#右脸颊被遮挡的阈值。

chin_contour:0.6,#下巴被遮挡阈值。

当关键区域中识别到的关键点数量与预设的关键点数量的比值小于上述预设的遮挡阈值时，目标跟踪装置判定该关键区域被遮挡。

s32：结合人脸各个关键区域的判断结果，计算人脸框的人脸遮挡参数。

其中，目标跟踪装置获取人脸各个关键区域的判断结果，判断结果包括被遮挡和未遮挡。然后，目标跟踪装置将人脸各个关键区域的判断结果进行累加，得到该人脸框中人脸的遮挡参数。

例如，上述每个关键区域的判断结果为未遮挡，则对应评分为1，判断结果为被遮挡，则对应评分为0。以上7个人脸关键区域的遮挡判断结果的综合评分为：

q＝q_le+q_re+q_n+q_m+q_lc+q_rc+q_cc；

其中，q的综合评分满分为7分，其余的评分分别为7个人脸关键区域的评分。

s33：基于人脸遮挡参数获取人脸框的人脸遮挡程度。

其中，目标跟踪装置根据经验，设置遮挡程度分级，如[0，2)为严重遮挡人脸，[3，5)为部分遮挡人脸，[5,7]为正常人脸。经过上述人脸遮挡参数计算人脸框的人脸遮挡程度后，目标跟踪装置按照不同的遮挡类型将多个人脸框的人脸分别存入严重遮挡集合、部分遮挡集合和无遮挡集合中。

s14：在人脸的遮挡面积大于第一预设面积的情况下，采用注意力机制获取人脸框中人脸的特征信息。

其中，对于人脸的遮挡面积大于第一预设面积，即该人脸属于部分遮挡或严重遮挡的人脸时，目标跟踪装置可以采用注意力机制获取人脸框中人脸的特征信息。

具体地，注意力一般分为两种：一种是自上而下(top-down)的有意识的注意力，称为聚焦式(focus)注意力。聚焦式注意力是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力；另一种是自下而上(bottom-up)的无意识的注意力，称为基于显著性(saliency-based)的注意力。本实施例采用bottom-up和top-down注意力相结合的方式。具体地，目标跟踪装置使用由多层注意力结构堆叠而成的残差注意力网络，其中，注意力机制结构图如图6所示。

目标跟踪装置将人脸框跟踪体中的人脸框输入带有上述残差注意力网络的特征提取网络，获取人脸框中人脸的特征信息。带有残差注意力网络的特征提取网络的具体结构请参阅图7，基于图7的网络结构，提取人脸框中人脸的特征信息的具体步骤如下：

目标跟踪装置将人脸框输入人脸特征提取网络，从而获取人脸框中人脸的第一特征信息。然后，目标跟踪装置将人脸框输入注意力特征提取网络，获取人脸框中人脸的第二特征信息，其中，注意力特征提取网络包括从上到下的特征提取方式和从下到上的特征提取方式，分别对应上述top-down注意力模式和bottom-up注意力模式。最后，目标跟踪装置将人脸的第一特征信息和人脸的第二特征信息结合，得到人脸的特征信息。

进一步地，对于人脸的遮挡面积大于第二预设面积，即该人脸属于严重遮挡的人脸时，目标跟踪装置可以采用特征提取网络获取头肩框中头肩的特征信息，并通过头肩的特征信息预测推理出人脸的特征信息。具体地，目标跟踪装置将与严重遮挡的人脸成功关联的头肩目标以128*128的尺寸输入到特征提取网络，经过人脸特征提取网络前向推理提取256维度的人脸特征。

s15：在人脸的遮挡面积小于等于第一预设面积的情况下，通过人脸框获取人脸的特征信息。

其中，对于人脸的遮挡面积小于等于第一预设面积，即该人脸属于未遮挡的人脸时，目标跟踪装置可以直接采用人脸特征提取网络获取人脸框中人脸的特征信息。具体地，无注意力机制的人脸特征提取网络的具体结构请参阅图8。目标跟踪装置采用图8的人脸特征提取网络，以64*64尺寸的人脸图像为输入，经过人脸特征提取网络前向推理128维度的人脸特征。

s16：计算相邻帧待检测图像中人脸的特征信息的余弦距离。

其中，通过上述方式，目标跟踪装置针对不同遮挡类型的人脸目标，采用不同的网络提取方式获取对应人脸目标的特征信息，并将提取的人脸目标的特征信息存储到该人脸目标的跟踪体内。进一步地，目标跟踪装置还需要计算相邻帧待检测图像中人脸的特征信息的余弦距离。

具体地，目标跟踪装置根据t帧跟踪目标的特征信息与t+1帧的特征信息，计算两者的余弦距离以进行匹配，余弦距离计算公式如下：

cosin＝1-sim(x,y)

其中，cosin为相邻帧待检测图像中人脸的特征信息的余弦距离。

s17：在余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸。

其中，当上述计算的余弦距离小于预设阈值时，目标跟踪装置判定这两个人脸属于同一跟踪目标，匹配成功；当上述计算的余弦距离大于等于预设阈值时，目标跟踪装置判定这两个人脸不属于同一跟踪目标，匹配失败。在本实施例中，预设阈值可以为0.5或其他数值。目标跟踪装置将匹配成功的人脸标注为跟踪的目标人脸。

进一步地，由于部分人脸框可能出现在待检测图像的边界，即这部分人脸框不是一个完整的人脸框，导致获取的人脸特征也不完整或者错误。因此，在余弦距离小于预设阈值的情况下，目标跟踪装置还可以获取对应人脸的人脸框宽高比。当人脸框宽高比与预设宽高比的差值大于预设差值时，表明该人脸框处于待检测图像的边界位置，且人脸框大部分区域位于待检测图像外，得到人脸特征不完整或错误。目标跟踪装置删除上述满足边界删除条件的人脸框，保证目标跟踪方法的准确性。

对于未删除的人脸目标，目标跟踪装置需要继续进行迭代关联与跟踪。具体地，对于各个目标类型，目标跟踪装置计算当前帧跟踪框与当前帧检测框的iou(intersectionoverunio)，并选取其中iou最大的检测框作为当前目标的跟踪框。iou的具体计算公式如下：

在本实施例中，目标跟踪装置获取连续多帧待检测图像；识别待检测图像的人脸框和头肩框，以将人脸框和头肩框关联；计算关联成功的人脸框中人脸的遮挡面积；在人脸的遮挡面积大于第一预设面积的情况下，采用注意力机制获取人脸框中人脸的特征信息；在人脸的遮挡面积小于等于第一预设面积的情况下，通过人脸框获取人脸的特征信息；计算相邻帧待检测图像中人脸的特征信息的余弦距离；在余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸。通过上述方式，本申请能够提高遮挡情况下的人脸跟踪效果，从而大幅度提升人脸跟踪的鲁棒性。

请参阅图9，图9是本申请提供的目标跟踪装置一实施例的框架示意图。如图9所示，该目标跟踪装置40包括：

获取模块41，用于获取连续多帧待检测图像。

识别模块42，用于识别待检测图像的人脸框和头肩框，以将人脸框和头肩框关联。

遮挡判断模块43，用于计算关联成功的人脸框中人脸的遮挡面积，并在人脸的遮挡面积大于第一预设面积的情况下，采用注意力机制获取人脸框中人脸的特征信息，或者在人脸的遮挡面积小于等于第一预设面积的情况下，通过人脸框获取人脸的特征信息。

计算模块44，用于计算相邻帧待检测图像中人脸的特征信息的余弦距离。

跟踪模块45，用于在余弦距离小于预设阈值的情况下，将对应的人脸标注为跟踪的目标人脸。

请参阅图10，图10是本申请提供的目标跟踪装置另一实施例的框架示意图。目标跟踪装置50包括相互耦接的存储器51和处理器52，处理器52用于执行存储器51中存储的程序指令，以实现上述任一目标跟踪方法实施例中的步骤。在一个具体的实施场景中，目标跟踪装置50可以包括但不限于：微型计算机、服务器，此外，目标跟踪装置50还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器52用于控制其自身以及存储器51以实现上述任一目标跟踪方法实施例中的步骤。处理器52还可以称为cpu(centralprocessingunit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(digitalsignalprocessor,dsp)、专用集成电路(applicationspecificintegratedcircuit,asic)、现场可编程门阵列(field-programmablegatearray,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器52可以由集成电路芯片共同实现。

请参阅图11，图11是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令601，程序指令601用于实现上述任一目标跟踪方法实施例中的步骤。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。