CN113763420B 一种目标定位方法、系统及存储介质和终端设备 （腾讯科技（深圳）有限公司）

标图片块和待处理帧图像的第一特征信息和第二特征信息，确定目标对象的第一候选位置信光流信息和第二光流信息及目标图片块的参考进而根据第一候选位置信息和第二候选位置信像的运动特征可以尽可能地抵消图像静态的外2获取待处理视频中参考帧图像所包含的目标图片块的第一根据所述第一特征信息及第二特征信息，确定所述待处理帧图像中获取所述参考帧图像的第一光流信息，根据所根据第一光流信息、第二光流信息及参考位置信息，确定所述待处根据所述第一候选位置信息及第二候选位置信息，确定所述待处理2.如权利要求1所述的方法，其特征在于，所述根据所述第一特征信息及第二特征信根据所述第一特征信息及第二特征信息，确定所述待处理帧图像中将各个候选框内图像的特征信息与所述参考帧图像中目标图片块的第一特征信息进根据各个候选框对应的匹配度确定所述待处理帧图像中目标对象的第一候选位置信将所述各个候选框内图像的全局特征信息与所述第一特征信息进行匹将所述各个候选框内图像和目标图片块按照同一策略划分为多个区选框内图像中每个区域的局部特征信息与所述目标图片块中相应区域的局部特征信息进确定初始外观特征模型，所述初始外观特征模型包括外观特征提确定第一训练样本，所述第一训练样本中包括多个第一样本图通过所述外观特征提取模块分别获取所述样本对象图片块和样本图像述位置回归模块根据所述样本对象图片块和样本图像的特征信息确定样本图像中样本对3根据所述预测模块得到的位置信息及所述第一训练样本中的位置标注类模块确定的类型信息及所述第一训练样本中的类型标注，调整所述初始外观特征模型，6.如权利要求1至5任一项所述的方法，其特征在于则所述根据所述待处理帧图像获取第二光流根据所述参考帧图像中背景区域特征点的信息与待处理帧图像中背景区域特征点的根据所述单应矩阵将所述待处理帧图像转化到参考帧图像的8.如权利要求1至5任一项所述的方法，其特根据所述更新率、第一候选位置信息及所述待处理帧图像的上分别计算所述待处理帧图像中，每个更新后候选位置信息根据所述选取的更新后候选位置信息及第二候选位置信息，确定所特征获取单元，用于获取待处理视频中参考帧图像所包第一候选单元，用于根据所述第一特征信息及第二特光流信息单元，用于获取所述参考帧图像的第一光流信息，根据所位置确定单元，用于根据所述第一候选位置信息及第二候4所述存储器用于储存多个计算机程序，所述计算机程序用于由处理器5[0002]目标定位技术从上世纪六十年代开始发展以来，主要的[0008]获取所述参考帧图像的第一光流信息，根据所述待处理帧图像获取第二光流信67企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。[0040]这样通过图像的运动特征可以尽可能地抵消图像静态的外观特征在目标对象定8配度最高的候选框的位置信息确定为待处理帧图像中目标对象的第一候框对应的第一子匹配度与第二子匹配度的加权和值作为该候选框对应的匹行匹配得到第二子匹配度1，将目标图片块下面区域的局部特征12与候选框内图像下面区和2即可得到该候选框图像与目标图片块之间的通过一定的方法训练得到，并将训练好的外观特征模型的运行逻辑储存在目标定位系统[0050]步骤103，获取参考帧图像的第一光流信息，根据待处理帧图像获取第二光流信9[0052]而任一图像的光流是指空间运动物体在观察成像平面上利用图像序列中像素在时间域上的变化以及相邻帧图像之间的相关性来找到上一帧图像预处理可以包括将待处理帧图像转化到参考帧图像的坐标系步骤103中获取的各帧图像的光流信息不仅包含了图像中物体的运动状态，还包含了拍摄特征点集记为frb,fib分别为参考帧图像和第i帧图像中背景区域特征点的信息，单应矩阵可以通过如下公式1-1中所示的随机样本一致性(RandomSample[0069]当针对每个更新率得到一个更新后候选位置信息后，可以按照如下公式2-3来计定位系统不仅需要考虑到待处理帧图像的外观特征，还需要结合待处理帧图像的运动特[0082]步骤203，通过外观特征提取模块分别获取样本对象图片块和样本图像的特征信选框内图像与样本对象图片块之间的全局特征和局部特征置信息，与第一训练样本中各个样本图像中样本对象实际的位置信息(根据位置标注信息反向传播求导以及梯度下降等一系列数学优化手段不断的优化上述步骤201中确定的初始Ah分别为通过初始外观特征模型得到的位置信息，具体为样本对ωh分别为第一训练样本中标注的样本框的中心点二样本图像组包括两个样本图像分别对应的光流信息及样本对象分别在两个样本图像中[0104]步骤303，通过运动特征提取模块分别提取第二样本图像组中每个样本图像的光运动特征提取模块提取的特征确定第二样本图像组内样本对象在另一样本图像中的位置根据计算的损失函数调整上述初始运动特征模型中参反向传播求导以及梯度下降等一系列数学优化手段不断的优化上述步骤301中确定的初始[0108]在一个具体的实施中，目标定位系统计算的基于运动特征模型的损失函数采用所在框即预测框的中心坐标)和第二训练标样本中的位置标注信息(具体为第二训练样本可以通过外观特征提取模块分别提取目标图片块的第一特征信息和待处理帧图像的第二[0116]在第二阶段，预测模块具体可以通过感兴趣区域对齐(regionofinterestalign，RoIAlign)操作截取各个候选框c的特征信息且将各个候选框的特征信息ptc,)与目标图片块的特征信息p(z)进匹配分数确定其中一个候选框为目标对象所在框。其中，在将各个候选框的特征信息到稠密光流。第一光流信息与参考位置信息进入长短期记忆网络(LongShort-Term[0126]在训练外观特征模型的过程中，可以选择检测集对训练的外观特征模型进行检稳定地收敛，可以采用前10个时期(epoch)先冻住主干网络(即上述的外观特征提取模块)样本对象的位置信息。且在训练运动特征模型时，可以采用自适应矩估计(Adaptive的位置信息，运动特征模型和外观特征模型的结构同样以ROIAlign的形式截图候选框在过定位器模型确定的位置与训练样本中标注的位置之间的欧式距离小于指定距离阈值的据发送到区块链系统中的其它节点，供其它节点在验证记录数据来源以及完整性成功时，[0155]参见图9为本发明实施例提供的区块结构(BlockStructur每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希参考帧图像中目标图片块的第一特征信息进行匹配，分别得到各个候选框对应的匹配度；根据各个候选框对应的匹配度确定所述待处理帧图像中目标对象的第选框内图像中每个区域的局部特征信息与所述目标图片块中相应区域的局部特征信息进述更新率、第一候选位置信息及所述待处理帧图像的上一帧图像中对象目标的位置信息，及样本图像中多个样本框的位置标注信息和各个样本框是否属于样本对象所在框的类型标注；通过所述外观特征提取模块分别获取所述样本对象图片块和样本图像的特征信息，所述位置回归模块根据所述样本对象图片块和样本图像的特征信息确定样本图像中样本中的位置标注信息，及所述分类模块确定的类型信息及所述第一训练样本中的类型标注，一候选单元11则可以采用训练单元15训练的外观特征模型确定第一候化后的处理帧图像；则所述光流信息单元12根据所述待处理帧图像获取第二光流信息时，帧图像中背景区域特征点的信息，计算所述参考帧图像与待处理帧图像之间的单应矩阵；根据所述单应矩阵将所述待处理帧图像转化到参考帧图像的配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central[0175]上述方法实施例中所述的由目标定位统所执行的步骤可以基于该图11所示的终[0179]本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可