基于图像处理的目标物追踪方法、装置、设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种基于图像处理的目标物追踪方法、装置、设备及存储介质。


背景技术：

2.随着人们对自然环境的探索需求增加，越来越多的人涉足户外探险活动，导致户外搜救人员的工作日益频繁，搜救人员在执行户外搜救任务时，需要对搜救人员进行追踪，以确保搜救人员的自身安全和及时调整搜救任务。
3.目前，对搜救人员的追踪主要是利用无线通信定位技术进行追踪，通过将定位设备安装在搜救人员身上并建立搜救人员之间的通信网络，对搜救人员进行追踪。虽然无线通信定位的信号覆盖范围大，但信号的传输容易受到地形的影响，在复杂的户外环境下无线信号传输会受到较大的干扰，容易导致定位不准确或无法定位，且由于定位设备不断发送信号需要消耗大量的电量，对于需要长时间执行搜救任务的搜救人员来说无法及时充电，导致无法保证对搜救人员进行追踪的实时性。
4.因此，如何保证对搜救人员进行追踪的实时性，已成为本领域技术人员亟待解决的技术问题。


技术实现要素：

5.鉴于以上内容，本技术提供一种基于图像处理的目标物追踪方法、装置、设备及存储介质，其目的在于解决上述技术问题。
6.第一方面，本技术提供一种基于图像处理的目标物追踪方法，所述方法应用于边缘设备，所述方法包括：
7.实时采集目标物图像；
8.提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
9.将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
10.根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
11.第二方面，本技术提供一种基于图像处理的目标物追踪装置，所述装置包括：
12.采集模块：用于实时采集目标物图像；
13.提取模块：用于提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
14.匹配模块：用于将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
15.标注模块：用于根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
16.第三方面，本技术提供一种边缘设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
17.存储器，用于存放计算机程序；
18.处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的基于图像处理的目标物追踪方法。
19.第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述的基于图像处理的目标物追踪方法。
20.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
21.本技术通过将目标追踪模型部署在边缘设备上，在执行追踪任务时边缘设备实时采集目标物图像，利用目标追踪模型提取预设的模板图像的第一特征信息及提取目标物图像的第二特征信息，由于模板图像中含有目标物的标注信息，因此将第一特征信息与第二特征信息进行匹配可以得到目标物图像与模板图像的相似特征，根据相似特征对目标物图像中的目标物进行标注可以得到追踪图像，可以实时对目标物进行追踪，且可以实时监测目标物的状态情况，减少人力投入。通过把目标追踪模型部署在边缘设备上，极大程度分担了云端的计算负载，能够更好地保证对目标物进行追踪的实时性。
附图说明
22.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
23.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1为本技术基于图像处理的目标物追踪方法实施例的流程示意图；
25.图2为本技术实施例中目标物追踪模型的架构示意图；
26.图3为本技术基于图像处理的目标物追踪装置较佳实施例的模块示意图；
27.图4为本技术边缘设备较佳实施例的示意图；
28.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
29.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.下文的公开提供了许多不同的实施例或例子用来实现本技术的不同结构。为了简化本技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本技术。此外，本技术可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
31.本技术提供一种基于图像处理的目标物追踪方法。参照图1所示，为本技术基于图
像处理的目标物追踪方法的实施例的方法流程示意图。该方法可以由一个边缘设备执行，该边缘设备可以由软件和/或硬件实现，边缘设备与云端设备通信连接，边缘设备可以是无人机设备或陆地机器人等。基于图像处理的目标物追踪方法包括：
32.步骤s10：实时采集目标物图像；
33.步骤s20：提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
34.步骤s30：将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
35.步骤s40：根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
36.本实施例中，目标物是指需要进行追踪的对象，例如，在森林或山地等野外环境中执行搜救任务的搜救人员。以目标物为执行野外搜救任务的搜救人员，以边缘设备为无人机为例对本技术的具体方案进行说明。需要说明的是，在实际应用场景中，目标物还可以是其他场景需要进行追踪的对象，例如，追踪户外运动人员的活动轨迹、追踪野生动物的活动轨迹等，在本技术的实际应用场景中不对目标物的类型做具体限定。
37.搜救人员在森林中执行搜救任务时，指挥搜救的指挥中心需要关注两个方面的信息，一是关注搜救人员的周边环境信息，根据周边环境信息可以指导搜救人员避免迷路或走入危险区域，以保障搜救人员的自身安全，二是关注搜救人员的实时姿态信息，通过姿态信息初步判定搜救人员的基本状态，实时监测搜救人员的身体状况和精神状态，有助于指挥中心及时调整搜救策略，保障搜救人员的安全。因此无人机需要实时采集搜救人员的图像(该图像中包含搜救人员所处的环境信息)，即实时采集目标物图像。
38.预设的模板图像是指预先标注的带有搜救人员标注框的图像，模板图像可以是通过手动或自动标注技术进行标注的，还可以将无人机采集的第一帧含有目标物的图像作为模板图像，即模板图像中含有目标物的标注信息。模板图像用于与无人机实时采集的目标图像进行匹配，从而确定出搜救人员在采集的目标物图像中的位置。利用深度神经网络提取出模板图像的特征信息(记为第一特征信息)，并提取目标物图像的特征信息(记为第二特征信息)。具体地，提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，包括：
39.利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，其中，所述目标物追踪模型包括特征提取网络、注意力机制网络及预测头网络，所述目标物追踪模型为双分支网络模型，所述第一特征信息与所述第二特征信息由不同的分支网络提取。
40.如图2所示，为本技术实施例中目标物追踪模型的架构示意图。目标物追踪模型是基于孪生架构设计的，即目标物追踪模型的架构是双分支网络的模型，包括处理模板图像的分支与处理目标物图像的分支网络，第一特征信息与第二特征信息是由不同的分支网络提取的，两个分支网络共用一个提取特征的深度分类卷积神经网络，例如，利用convnext网络作为目标物追踪模型的特征提取网络。
41.进一步地，利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，包括：
42.利用特征提取网络提取所述模板图像的第一初始特征，提取所述目标物图像的第二初始特征；
43.利用注意力机制网络筛选出所述第一初始特征中对应的目标物，得到所述模板图像的第一特征信息；
44.利用注意力机制网络筛选出所述第二初始特征中对应的边缘信息，得到所述目标物图像的第二特征信息。
45.利用特征提取网络提取模板图像的初始特征(记为第一初始特征fz)，利用特征提取网络提取目标物图像的初始特征(记为第二初始特征f
x
)，对于第一初始特征fz，利用注意力机制网络筛选出第一初始特征中对应的目标物，即通过注意力机制网络来突出fz中的目标物的特征，抑制掉相似物体的特征，从而让模型能够更好地应对相似物体的干扰。对于第二初始特征f
x
，通过注意力机制网络来突出f
x
中的位置和边缘细节特征，可以提高后续对目标物图像中的目标物的标注精度。利用注意力机制网络处理得到第一特征信息用f
′z表示，利用注意力机制网络处理得到第二特征信息用f
′
x
表示，即
[0046][0047]
其中，表示模板图像的初始特征fz的注意力处理的抽象表示，φ表示目标物图像的初始特征f
x
的注意力处理的抽象表示。相比传统的追踪算法，本技术提出的目标物追踪模型可以抑制掉相似物体的特征，从而让模型能够更好地应对相似物体的干扰，能够更好地适应森林、山区等复杂的场景目标物追踪，具有较强的适应性。
[0048]
需要说明的是，由于无人机是实时采集目标物图像的，因此会存在多帧目标物图像，当提取出模板图像的第一特征信息f
′z后，在后续的追踪过程中，无需再提取第一特征信息f
′z，从而极大地减少目标物追踪模型的计算开销，提高了推理的速度，更好地保证了目标物追踪的实时性。
[0049]
得到第一特征信息和第二特征信息用后，将第一特征信息与第二特征信息进行匹配，例如，利用余弦相似度算法计算出第一特征信息中与第二特征信息之间各特征点的夹角余弦值，并确定出夹角余弦值最高的区域(即相似度最高的区域)，将相似度最高的区域对应的特征作为相似特征，从而得到目标物图像与模板图像的相似特征。具体地，将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：
[0050]
从所述第一特征信息与所述第二特征信息中确定出卷积核；
[0051]
根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征。
[0052]
由于卷积核可以用于提取局部特征，因此可以从第一特征信息与第二特征信息中确定部分特征作为卷积核，通过卷积核将第一特征信息与第二特征信息进行匹配，得到目标物图像与所述模板图像的相似特征。
[0053]
进一步地，所述根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：
[0054]
以所述第一特征信息作为卷积核对所述第二特征信息执行卷积操作，得到所述卷
积操作对应的响应图；
[0055]
将所述响应图中最大响应值所处的区域作为所述相似特征。
[0056]
以第一特征信息作为卷积核，对第二特征信息执行逐通道的卷积操作，可以得到卷积操作对应的多通道的响应图，即
[0057]
r＝convbychannel(f
′z,f
′
x
)
[0058]
其中，convbychannel表示逐通道的卷积操作，f
′z表示第一特征信息(即卷积核)，f
′
x
表示第二特征信息(即被卷积的特征)，r表示卷积操作得到的响应图。将响应图r中最大响应值所处的区域作为相似特征，即响应图r中最大响应值所在位置为搜救人员所在的位置。
[0059]
得到目标物图像与模板图像的相似特征后，根据相似特征对目标物图像中的目标物进行标注得到追踪图像，具体地，根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像，包括：
[0060]
将所述相似特征输入所述预测头网络，得到所述目标物图像中目标物区域；
[0061]
根据所述目标物区域对所述目标物进行标注得到所述追踪图像。
[0062]
将相似特征输入至目标追踪模型的预测头网络，可以得到目标物图像中目标物区域，即得到搜救人员在目标物图像中的位置，根据搜救人员在目标物图像中的位置，对目标物图像中的搜救人员进行标注即可得到带有标注框的追踪图像。
[0063]
在一个实施例中，在根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像之后，所述方法还包括：
[0064]
将所述追踪图像发送至云端设备，以使所述云端设备根据所述追踪图像对所述目标物进行追踪。
[0065]
云端设备可以是指挥中心的设备，云端设备接收到边缘设备发送的追踪图像后，可以根据追踪图像对目标物进行追踪，使得指挥中心可以实时部署和调整搜救行动，极大地提高了指挥部署和搜救效率。云端设备还可以将搜救人员的位置和轨迹可视化展示，方便指挥员进行指挥和决策，实现实时对搜救人员进行追踪，并可以及时发现被困人员。
[0066]
本技术通过将目标追踪模型部署在边缘设备(无人机设备)上，在执行对搜救人员的追踪任务时，无人机设备实时采集目标物图像，并通过部署在无人机设备的目标追踪模型对目标物图像进行推理得到追踪结果，将追踪结果上传到云端指挥中心，便于指挥中心进行搜救任务的部署和调整，可以实时监测搜救人员的状态情况，自动化地完成对搜救人员的追踪任务，减少人力投入。通过把目标追踪模型部署在边缘设备上，极大程度分担了云端的计算负载，能够更好地保证对搜救人员追踪的实时性。由于目标追踪模型的注意力机制网络可以排除相似物体的干扰，使得模型可以更好地适应森林和山区等复杂场景的追踪应用，精准地追踪搜救人员的位置，同时能够将实时处理得到的追踪图像上传到云端，极大地提高了云端指挥中心的部署和指挥效率。
[0067]
参照图3所示，为本技术基于图像处理的目标物追踪装置100的功能模块示意图。
[0068]
本技术所述基于图像处理的目标物追踪装置100可以安装于边缘设备中。根据实现的功能，所述基于图像处理的目标物追踪装置100可以包括采集模块110、提取模块120、匹配模块130及标注模块140。本技术所述模块也可以称之为单元，是指一种能够被边缘设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在边缘设备的存
储器中。
[0069]
在本实施例中，关于各模块/单元的功能如下：
[0070]
采集模块110：用于实时采集目标物图像；
[0071]
提取模块120：用于提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
[0072]
匹配模块130：用于将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
[0073]
标注模块140：用于根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
[0074]
在一个实施例中，所述提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，包括：
[0075]
利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，其中，所述目标物追踪模型包括特征提取网络、注意力机制网络及预测头网络，所述目标物追踪模型为双分支网络模型，所述第一特征信息与所述第二特征信息由不同的分支网络提取。
[0076]
在一个实施例中，所述利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，包括：
[0077]
利用特征提取网络提取所述模板图像的第一初始特征，提取所述目标物图像的第二初始特征；
[0078]
利用注意力机制网络筛选出所述第一初始特征中对应的目标物，得到所述模板图像的第一特征信息；
[0079]
利用注意力机制网络筛选出所述第二初始特征中对应的边缘信息，得到所述目标物图像的第二特征信息。
[0080]
在一个实施例中，所述将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：
[0081]
从所述第一特征信息与所述第二特征信息中确定出卷积核；
[0082]
根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征。
[0083]
在一个实施例中，所述根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：
[0084]
以所述第一特征信息作为卷积核对所述第二特征信息执行卷积操作，得到所述卷积操作对应的响应图；
[0085]
将所述响应图中最大响应值所处的区域作为所述相似特征。
[0086]
在一个实施例中，所述根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像，包括：
[0087]
将所述相似特征输入所述预测头网络，得到所述目标物图像中目标物区域；
[0088]
根据所述目标物区域对所述目标物进行标注得到所述追踪图像。
[0089]
在一个实施例中，基于图像处理的目标物追踪装置100还包括发送模块，所述发送模块用于将所述追踪图像发送至云端设备，以使所述云端设备根据所述追踪图像对所述目
标物进行追踪。
[0090]
参照图4所示，为本技术边缘设备较佳实施例的示意图。
[0091]
该边缘设备包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，
[0092]
存储器113，用于存放计算机程序，例如，基于图像处理的目标物追踪程序；
[0093]
在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的基于图像处理的目标物追踪方法，包括：
[0094]
实时采集目标物图像；
[0095]
提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
[0096]
将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
[0097]
根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
[0098]
关于上述步骤的详细介绍，请参照上述图3关于基于图像处理的目标物追踪装置100实施例的功能模块图以及图1关于基于图像处理的目标物追踪方法实施例的流程图的说明。
[0099]
此外，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性的，也可以是易失性的。计算机可读存储介质中包括存储数据区和存储程序区，存储程序区存储有基于图像处理的目标物追踪程序，所述基于图像处理的目标物追踪程序被处理器执行时实现如下操作：
[0100]
实时采集目标物图像；
[0101]
提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；
[0102]
将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；
[0103]
根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。
[0104]
本技术之计算机可读存储介质的具体实施方式与上述基于图像处理的目标物追踪方法的具体实施方式大致相同，在此不再赘述。
[0105]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0106]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0107]
需要说明的是，在本技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能
理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
[0108]
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
[0109]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于图像处理的目标物追踪方法，其特征在于，所述方法应用于边缘设备，所述方法包括：实时采集目标物图像；提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。2.如权利要求1所述的基于图像处理的目标物追踪方法，其特征在于，所述提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，包括：利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，其中，所述目标物追踪模型包括特征提取网络、注意力机制网络及预测头网络，所述目标物追踪模型为双分支网络模型，所述第一特征信息与所述第二特征信息由不同的分支网络提取。3.如权利要求2所述的基于图像处理的目标物追踪方法，其特征在于，所述利用预先构建的目标物追踪模型提取所述模板图像的第一特征信息，及提取所述目标物图像的第二特征信息，包括：利用特征提取网络提取所述模板图像的第一初始特征，提取所述目标物图像的第二初始特征；利用注意力机制网络筛选出所述第一初始特征中对应的目标物，得到所述模板图像的第一特征信息；利用注意力机制网络筛选出所述第二初始特征中对应的边缘信息，得到所述目标物图像的第二特征信息。4.如权利要求1所述的基于图像处理的目标物追踪方法，其特征在于，所述将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：从所述第一特征信息与所述第二特征信息中确定出卷积核；根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征。5.如权利要求4所述的基于图像处理的目标物追踪方法，其特征在于，所述根据所述卷积核将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征，包括：以所述第一特征信息作为卷积核对所述第二特征信息执行卷积操作，得到所述卷积操作对应的响应图；将所述响应图中最大响应值所处的区域作为所述相似特征。6.如权利要求2所述的基于图像处理的目标物追踪方法，其特征在于，所述根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像，包括：将所述相似特征输入所述预测头网络，得到所述目标物图像中目标物区域；根据所述目标物区域对所述目标物进行标注得到所述追踪图像。
7.如权利要求1所述的基于图像处理的目标物追踪方法，其特征在于，在根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像之后，所述方法还包括：将所述追踪图像发送至云端设备，以使所述云端设备根据所述追踪图像对所述目标物进行追踪。8.一种基于图像处理的目标物追踪装置，其特征在于，所述装置包括：采集模块：用于实时采集目标物图像；提取模块：用于提取预设的模板图像的第一特征信息及提取所述目标物图像的第二特征信息，其中，所述模板图像中含有所述目标物的标注信息；匹配模块：用于将所述第一特征信息与所述第二特征信息进行匹配，得到所述目标物图像与所述模板图像的相似特征；标注模块：用于根据所述相似特征对所述目标物图像中的目标物进行标注得到追踪图像。9.一种边缘设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1至7中任一项所述的基于图像处理的目标物追踪方法。10.一种计算机可读存储介质，其上存储有计算机程序，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中任一项所述的基于图像处理的目标物追踪方法。

技术总结
本申请涉及一种基于图像处理的目标物追踪方法、装置、设备及存储介质，所述方法包括：实时采集目标物图像，提取预设的模板图像的第一特征信息及提取目标物图像的第二特征信息，其中，模板图像中含有目标物的标注信息，将第一特征信息与第二特征信息进行匹配，得到目标物图像与模板图像的相似特征，根据相似特征对目标物图像中的目标物进行标注得到追踪图像。本申请可以实时对目标物进行追踪，减少人力投入，极大程度分担了云端的计算负载，能够更好地保证对目标物进行追踪的实时性。地保证对目标物进行追踪的实时性。地保证对目标物进行追踪的实时性。


技术研发人员：肖雪 高莎 黄麟 方誉豪
受保护的技术使用者：国器智眸（重庆）科技有限公司
技术研发日：2023.06.26
技术公布日：2023/8/13