目标对象匹配方法、装置、电子设备及计算机可读存储与流程

1.本发明涉及计算机领域，具体而言，涉及一种目标对象匹配方法、装置、电子设备及计算机可读存储。


背景技术：

2.在视频中，目标对象的频繁遮挡、出视野、模糊是经常出现的现象，以自动驾驶的场景，目标对象为障碍物为例，在现实路况中，障碍物的频繁遮挡、出视野、模糊是经常出现的现象，如果自动驾驶中只有检测信息而没有目标跟踪，那么最终障碍物的位置轨迹是不稳定的，这将会影响后续多传感器融合的匹配与滤波结果，进而影响规划控制时的道路决策。
3.相关技术中的目标跟踪算法主要包括传统的two-stage方法，这类方法通过匹配滤波算法的方式实现目标跟踪，例如deepsort方法；还有集成检测、跟踪的one-stage端到端的学习算法，例如fairmot、centertrack等模型，但端到端的学习方式通常无法将检测和跟踪解耦，在具体算法评测和问题跟踪中有较多阻塞。另外，随着算法的更新与迭代，目标跟踪算法中的匹配和滤波方式还有待进一步的优化。目标跟踪中匹配得到准确率还有待提升。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种目标对象匹配方法、装置、电子设备及计算机可读存储，以至少解决相关技术中对目标对象进行匹配时，存在的匹配准确度低的技术问题。
6.根据本发明实施例的一个方面，提供了一种目标对象匹配方法，包括：获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，所述第一图像帧中包括第一目标对象，所述第二图像帧中包括第二目标对象；获取所述第一目标对象在所述第一图像帧中的第一位置以及所述第二目标对象在所述第二图像帧中的第二位置；基于所述第一位置以及所述第二位置，匹配所述第一目标对象和所述第二目标对象，得到所述第一目标对象与所述第二目标对象的第一匹配结果。
7.可选地，所述基于所述第一位置以及所述第二位置，匹配所述第一目标对象和所述第二目标对象，得到所述第一目标对象与所述第二目标对象的第一匹配结果，包括：依据所述第一位置与所述第二位置，确定所述第一目标对象与所述第二目标对象的目标匹配分值；依据所述目标匹配分值，采用二分图最大匹配的方式匹配所述第一目标对象与所述第二目标对象，得到所述第一目标对象与所述第二目标对象的第一匹配结果。
8.可选地，所述依据所述第一位置与所述第二位置，确定所述第一目标对象与所述第二目标对象的目标匹配分值，包括：依据所述第一位置与所述第二位置，确定所述第一目标对象与所述第二目标对象的形状重合度，所述第一目标对象形变至所述第二目标对象的形状变化值，以及所述第一目标对象运动至所述第二目标对象的高斯运动匹配分值；依据
所述形状重合度，所述形状变化值以及所述高斯运动匹配分值，确定所述第一目标对象与所述第二目标对象的目标匹配分值。
9.可选地，所述依据所述第一位置与所述第二位置，确定所述第一目标对象与所述第二目标对象的目标匹配分值，包括：将所述第一位置与所述第二位置输入至目标对象重识别模型，得到所述第一位置对应的第一特征分值与所述第二位置对应的第二特征分值，其中，所述目标对象重识别模型采用样本集对初始模型进行训练得到，所述样本集包括：样本对象的样本位置与所述样本对象的样本位置对应的特征分值；依据所述第一特征分值与所述第二特征分值，基于余弦距离得到所述第一目标对象与所述第二目标对象的目标匹配分值。
10.可选地，所述基于所述第一位置以及所述第二位置，匹配所述第一目标对象和所述第二目标对象，得到所述第一目标对象与所述第二目标对象的第一匹配结果之后，还包括：对所述目标视频的图像帧序列中连续的多个图像帧中的目标对象进行匹配，得到所述多个图像帧中的目标对象的第二匹配结果；基于所述第二匹配结果，确定所述多个图像帧中存在同一目标对象的图像帧；依据所述存在同一目标对象的图像帧，确定所述同一目标对象的运动轨迹。
11.可选地，所述依据所述存在同一目标对象的图像帧，确定所述同一目标对象的运动轨迹，包括：检测所述存在同一目标对象的图像帧之间是否存在轨迹中断点对应的中断图像帧；基于所述中断图像帧与相邻图像帧之间的时序关系，确定所述中断图像帧中的目标对象所在的位置；基于匹配结果为同一目标对象的图像帧中目标对象所在位置，以及所述中断图像帧中的目标对象所在的位置，确定所述同一目标对象的运动轨迹。
12.根据本发明实施例的一个方面，提供了一种目标对象匹配装置，包括：第一获取模块，用于获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，所述第一图像帧中包括第一目标对象，所述第二图像帧中包括第二目标对象；第二获取模块，用于获取所述第一目标对象在所述第一图像帧中的第一位置以及所述第二目标对象在所述第二图像帧中的第二位置；匹配模块，用于基于所述第一位置以及所述第二位置，匹配所述第一目标对象和所述第二目标对象，得到所述第一目标对象与所述第二目标对象的第一匹配结果。
13.根据本发明实施例的一个方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述任一项所述的目标对象匹配方法。
14.根据本发明实施例的一个方面，提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的目标对象匹配方法。
15.根据本发明实施例的一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的目标对象匹配方法。
16.在本发明实施例中，通过获取目标视频的图像帧序列中连续的包括第一目标对象的第一图像帧和包括第二目标对象的第二图像帧，能够得到图像帧序列中连续的两帧图像，再获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置，以便基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一
目标对象与第二目标对象的第一匹配结果。即，通过判断图像帧序列中连续的两帧图像帧中包括的目标对象是否匹配，以达到识别目标对象并进行跟踪的技术效果，而且是对每个连续的两帧图像帧进行匹配，使得匹配结果更加精确，进而解决了相关技术中对目标对象进行匹配时，存在的匹配准确度低的技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1是根据本发明实施例的目标对象匹配方法的流程图；
19.图2是本发明可选实施方式提供的目标跟踪优化方法的流程图；
20.图3是本发明可选实施方式中采用卡尔曼预测补帧的流程图；
21.图4是根据本发明实施例的目标对象匹配装置的结构框图。
具体实施方式
22.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
25.重叠度：intersection over union(iou)是一种测量在特定数据集中检测相应物体准确度的一个标准。iou是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用iou来进行测量。
26.匈牙利算法：是一种在多项式时间内求解任务分配问题的组合优化算法，并推动了后来的原始对偶方法。
27.实施例1
28.根据本发明实施例，提供了一种目标对象匹配方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图1是根据本发明实施例的目标对象匹配方法的流程图，如图1所示，该方法包括
如下步骤：
30.步骤s102，获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，第一图像帧中包括第一目标对象，第二图像帧中包括第二目标对象；
31.需要说明的是，上述所指的连续的第一图像帧和第二图像帧即指的是图像帧序列中任意两帧连续的图像中，第一帧图像称为第一图像帧，第二帧图像帧称为第二图像帧。
32.步骤s104，获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置；
33.其中，第一位置可以是第一目标对象的2d boundingbox(2d边界框)位置信息以及3d boundingbox(3d边界框)位置信息，即为第一目标对象的2dboundingbox中心点坐标以及各顶点坐标，还可以包括第一目标对象的2d boundingbox的宽和高，以及第一目标对象的3dboundingbox中心点坐标以及各顶点坐标，还可以包括第一目标对象的3d boundingbox的宽，高和长，同理，第二位置可以是第二目标对象的2d boundingbox位置信息以及3d boundingbox位置信息，即为第二目标对象的2dboundingbox中心点坐标以及各顶点坐标，还可以包括第二目标对象的2d boundingbox的宽和高，以及第二目标对象的3dboundingbox中心点坐标以及各顶点坐标，还可以包括第二目标对象的3d boundingbox的宽，高和长。
34.步骤s106，基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。
35.通过上述步骤，通过获取目标视频的图像帧序列中连续的包括第一目标对象的第一图像帧和包括第二目标对象的第二图像帧，能够得到图像帧序列中连续的两帧图像，再获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置，以便基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。即，通过判断图像帧序列中连续的两帧图像帧中包括的目标对象是否匹配，以达到识别目标对象并进行跟踪的技术效果，而且是对每个连续的两帧图像帧进行匹配，使得匹配结果更加精确，进而解决了相关技术中对目标对象进行匹配时，存在的匹配准确度低的技术问题。
36.需要说明的是，上述目标视频可以是各种视频类型，即可以是已录制的视频，也可以是实时视频，在实时视频中也可以为行车记录仪所实时记录的视频，摄像机所实时监控的视频，等等，在此不做限定，具体的视频类型依据实际的应用和场景进行获取。上述目标对象也是依据实际的应用和场景设定的，例如，在自动驾驶的场景中，目标对象即为障碍物，实时检测障碍物，并对障碍物进行跟踪，能够使得自动驾驶汽车在行驶途中自动规避障碍物。目标对象的个数也不做限定，在图像帧中有多少个设定的目标对象即为目标对象的个数。例如，在自动驾驶的场景中，第一图像帧中有3个障碍物，即确定第一图像帧中有3个目标对象，第二图像帧中有4个障碍物，即确定第二图像帧有4个目标对象。以确定第一图像帧中的3个目标对象与第二图像帧中的4个目标对象是否匹配，和哪些匹配。
37.作为一种可选的实施例，基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果时，可以如下方式：依据第一位置与第二位置，确定第一目标对象与第二目标对象的目标匹配分值，即确定出第一目标对象与第二目标对象的匹配程度，依据目标匹配分值，采用二分图最大匹配的方式，例如，
匈牙利算法，匹配第一目标对象与第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。通过二分图最大匹配的方式对第一目标对象和第二目标对象进行匹配，在对多种已知数据进行变换处理的基础上，能够准确衡量分配上的关系，在满足约束条件的前提下，能够求解并匹配出最优方案，不仅保证了第一目标对象与第二目标对象匹配的准确度，还能提高第一目标对象与第二目标对象匹配的效率。
38.作为一种可选的实施例，依据第一位置与第二位置，确定第一目标对象与第二目标对象的目标匹配分值时，可以包括多种方式，例如，可以基于相对位置确定第一目标对象与第二目标对象的目标匹配分值，也可以通过特征输出确定第一目标对象与第二目标对象的目标匹配分值，下面分别对两种方式进行介绍：
39.1)基于相对位置确定第一目标对象与第二目标对象的目标匹配分值：
40.依据第一位置与第二位置，确定第一目标对象与第二目标对象的形状重合度，可选地，可以确定形状重合度iou，intersection over union，以检测相应目标对象的准确度，可以通过第一目标对象与第二目标对象各自对应的2dboundingbox各顶点坐标，3dboundingbox各顶点坐标来确定，考虑了边框的重合度方面，能够进一步更准确地确定出第一目标对象与第二目标对象是否匹配。
41.依据第一位置与第二位置，确定第一目标对象形变至第二目标对象的形状变化值，以检测第一目标对象至第二目标对象的形状变化，可以通过确定第一目标对象与第二目标对象宽度差值，第一目标对象与第二目标对象的高度差值，第二目标对象的宽度和高度的乘积，运算得到，能够从形状变化方面更加深入地确定第一目标对象与第二目标对象是否匹配。
42.依据第一位置与第二位置，确定第一目标对象运动至第二目标对象的高斯运动匹配分值，以确定第一目标对象和第二目标对象的运动匹配关系，即在这两帧图像中，是否为一个目标对象，由第一目标对象的第一位置，移动至第二目标对象的第二位置，可以通过第一目标对象与第二目标对象各自对应的2dboundingbox中心点坐标，2dboundingbox的宽高，3dboundingbox中心点坐标，3dboundingbox的长宽高，通过高斯函数确定，能够从运动轨迹方面更加深入地确定第一目标对象与第二目标对象是否匹配。
43.可以依据形状重合度，形状变化值以及高斯运动匹配分值三者任意一项确定第一目标对象与第二目标对象的目标匹配分值，也可以依据形状重合度，形状变化值以及高斯运动匹配分值，按照一定的权重比例，确定第一目标对象与第二目标对象的目标匹配分值。
44.2)通过特征输出确定第一目标对象与第二目标对象的目标匹配分值：
45.将第一位置与第二位置输入至目标对象重识别模型，得到第一位置对应的第一特征分值与第二位置对应的第二特征分值，其中，目标对象重识别模型采用样本集对初始模型进行训练得到，样本集包括：样本对象的样本位置与样本对象的样本位置对应的特征分值；依据第一特征分值与第二特征分值，基于余弦距离得到第一目标对象与第二目标对象的目标匹配分值。
46.需要说明的是，以自动驾驶的场景为例，目标对象重识别模型可以车辆重识别reid(re-identification)模型，其中基于nuscene数据集构建roi-id序列训练数据集，模型backbone为resnet18。可以基于第一目标对象以及第二目标对象的2d boundingbox位置信息，通过重识别网络模型获得第一目标对象以及第二目标对象对应的深度特征，再通过
余弦距离得到目标匹配分值。对于识别目标对象移动轨迹的场景，使用余弦距离能够更好的识别出方向层次上的关系，通过经过样本训练的模型，也能从统计的方面更好地识别出图像帧中目标对象的特征，从而更加准确地确定出第一目标对象与第二目标对象的匹配关系。
47.可选地，上述两种方式可以依据第一位置与第二位置，确定第一目标对象与第二目标对象的目标匹配分值，可以分别用两种方式确定，也可以同时用两种方式确定，用不同的权重比例，计算得到第一目标对象与第二目标对象的目标匹配分值。通过依照一定的权重比例，用两种方式确定第一目标对象与第二目标对象的目标匹配分值，能够综合性地从更多方面进行考虑。使得得到的目标匹配分值是经过多方面考虑的，使得最终得到的结果也更加精确。
48.还需要说明的是，上述得到的最终匹配得分是第一图像帧中一个目标对象与第二图像帧中一个目标对象的匹配得分，如果想要确定这两帧图像帧中的目标对象的匹配结果，需要将第一图像帧中的目标对象与第二图像帧中的目标对象之间的匹配得分全都计算出来，例如，在自动驾驶的场景中，第一图像帧中有3个障碍物，即确定第一图像帧中有3个目标对象，第二图像帧中有4个障碍物，即确定第二图像帧有4个目标对象。得出3*4＝12，即得到12个最终匹配得分，将这些匹配得分通过匈牙利算法进行计算，得出最终的匹配结果，即以确定第一图像帧中的3个目标对象与第二图像帧中的4个目标对象是否匹配，和哪些匹配。
49.作为一种可选的实施例，基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果之后，还包括：对目标视频的图像帧序列中连续的多个图像帧中的目标对象进行匹配，得到多个图像帧中的目标对象的第二匹配结果；基于第二匹配结果，确定多个图像帧中存在同一目标对象的图像帧；依据存在同一目标对象的图像帧，确定同一目标对象的运动轨迹。即得到整个视频中出现过的目标对象，并确定这些目标对象对应的运动轨迹。即以自动驾驶的场景为例，即为视频中所有出现的障碍物对应的相对运动轨迹。通过比对连续两帧图像帧中的目标对象，进而确定出整个视频中出现过得目标对象。不仅能够识别出视频中的目标对象，有哪些目标对象，排除相同的目标对象，还能够得到视频中出现过的目标对象的运动轨迹。
50.作为一种可选的实施例，依据存在同一目标对象的图像帧，确定同一目标对象的运动轨迹，包括：检测存在同一目标对象的图像帧之间是否存在轨迹中断点对应的中断图像帧；基于中断图像帧与相邻图像帧之间的时序关系，确定中断图像帧中的目标对象所在的位置；基于匹配结果为同一目标对象的图像帧中目标对象所在位置，以及中断图像帧中的目标对象所在的位置，确定同一目标对象的运动轨迹。即检测同一目标对象的轨迹是否出现中断，若出现中断，可能为摄像机被其他物体遮挡的情况，但是该情况下，目标对象还可能会在原有位置，并不会因为图像帧中不出现而消失，因此，需要补充该缺失的图像帧，采用卡尔曼预测补帧，以加强对目标对象运动轨迹跟踪的稳定性。卡尔曼预测补帧方式在此不作赘述，将下述可选实施方式中进行详细介绍。
51.基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。
52.本发明可选实施方式中提供了一种基于级联的目标跟踪优化方法，其能够通过不同匹配策略的加权可以更加准确的匹配到连续帧的相同目标，同时在卡尔曼滤波过程中通
过补帧获得更加稳定的目标运动轨迹，且优化算法适应性强，算法复杂度低，易于实现。
53.图2是本发明可选实施方式提供的目标跟踪优化方法的流程图，如图2所示，下面为本发明可选实施方式进行详细说明：
54.s1，获取目标视频的图像帧序列，获取每帧图像帧的位置信息(同上述第一位置，第二位置)，其中，位置信息包括基于2dboundingbox和3dboundingbox的位置信息；
55.s2，匹配图像帧序列中出现的目标对象；
56.在目标视频的图像帧序列中，依次检测每两帧连续的图像帧，检测该连续两帧图像帧中出现的目标对象(障碍物)是否匹配；
57.以连续的两帧图像帧为例；
58.基于连续的两帧图像帧中包括的目标对象的位置信息，采用不同匹配策略加权获得连续两帧图像帧中目标对象的匹配得分score1；
59.s2.1，基于2dboundingbox中心点高斯运动获得匹配得分sm，计算方式如下：
60.sm＝gaussian(c.x
det
,c.x
tra
,w
det
)*gaussian(c.y
det
,c.y
tra
,h
det
)；
61.需要说明的是，上述c.x
det
和c.y
det
表示检测的2d boundingbox中心点坐标，即两帧连续图像帧中的后一帧中目标对象的2d boundingbox中心点坐标，c.x
tra
和c.y
tra
表示历史的2d boundingbox中心点坐标，即两帧连续图像帧中的前一帧中目标对象的2d boundingbox中心点坐标，w
det
和h
det
分别表示检测的2d boundingbox的宽和高，即两帧连续图像帧中的后一帧中目标对象的2d boundingbox的宽和高。
62.还需要说明的是，gaussian函数计算方式如下：
63.gaussian(x,mu,sigma)＝exp(-(x-mu)*(x-mu)/(2*sigma*sigma))；
64.s2.2，基于2dboundingbox形状变化获得匹配得分ss，计算方式如下：
65.ss＝(w
tra-w
det
)*(h
tra-h
det
)/(w
tra
*h
tra
)；
66.需要说明的是，上述w
tra
和h
tra
分别表示历史的2d boundingbox的宽和高，即两帧连续图像帧中的前一帧中目标对象的2d boundingbox的宽和高，w
det
和h
det
分别表示检测的2d boundingbox的宽和高，即两帧连续图像帧中的后一帧中目标对象的2d boundingbox的宽和高。
67.s2.3，基于2dboundingbox形状重合度iou获得匹配得分so，计算方式如下：
68.so＝iou(box
det
,box
tra
)；
69.box
det
＝[xmin
det
,ymin
det
,xmax
det
,ymax
det
]；
[0070]
box
tra
＝[xmin
tra
,ymin
tra
,xmax
tra
,ymax
tra
]；
[0071]
iou(box1,box2)＝(box1&box2)/(box1|box2)；
[0072]
需要说明的是，上述xmin
det
，ymin
det
，xmax
det
，ymax
det
表示检测的2d boundingbox各顶点坐标，即两帧连续图像帧中的后一帧中目标对象的2d boundingbox各顶点坐标，上述xmin
tra
，ymin
tra
，xmax
tra
，ymax
tra
表示历史的2d boundingbox各顶点坐标，即两帧连续图像帧中的前一帧中目标对象的2d boundingbox各顶点坐标。
[0073]
s2.4，同理，基于3dboundingbox中心点高斯运动、形状变化以及形状重合度iou分别获得匹配得分sm
3d
、ss
3d
以及so
3d
，计算方式如上。
[0074]
s2.5，根据上述匹配得分加权获得基于位置匹配的得分，计算方式如下：
[0075]
score1＝0.2*sm 0.2*ss 0.2*so 0.2*sm
3d
0.1*ss
3d
0.1*so
3d
。
[0076]
需要说明的是，上述权重值可以依据实际的应用与场景进行相应的设置。
[0077]
s3，基于重识别模型获得2dboundingbox深度特征的匹配得分score2；
[0078]
s3.1，构建重识别网络模型，基于baidu-uts架构构建车辆重识别reid模型，其中基于nuscene数据集构建roi-id序列训练数据集，模型backbone为resnet18。
[0079]
s3.2，基于目标对象2d boundingbox检测结果，通过重识别网络模型获得每个目标对应的深度特征。
[0080]
s3.3，基于余弦距离获得特征匹配得分，计算方式如下：
[0081][0082]
其中，feature
det
和feature
tra
分别表示检测和历史的目标特征，k表示向量的维度。
[0083]
s4，确定目标对象的匹配得分，并确定匹配结果；
[0084]
基于上述两种匹配策略加权，获得最终匹配得分，计算方式如下：
[0085]
score＝0.6*score1 0.4*score2；
[0086]
需要说明的是，上述权重值可以依据实际的应用与场景进行相应的设置。
[0087]
还需要说明的是，上述得到的最终匹配得分是前一帧图像帧中一个目标对象与后一图像帧中一个目标对象的匹配得分，如果想要确定这两帧图像帧中的目标对象的匹配结果，需要将前一帧图像帧中的目标对象与后一图像帧中的目标对象之间的匹配得分全都计算出来，例如，在自动驾驶的场景中，第一图像帧中有3个障碍物，即确定第一图像帧中有3个目标对象，第二图像帧中有4个障碍物，即确定第二图像帧有4个目标对象。得出3*4＝12，即得到12个最终匹配得分，将这些匹配得分通过匈牙利算法进行计算。得出最终的匹配结果，即以确定第一图像帧中的3个目标对象与第二图像帧中的4个目标对象是否匹配，和哪些匹配。
[0088]
s5，对目标视频的图像帧序列中连续的多个图像帧中的目标对象进行匹配，确定多个图像帧中存在同一目标对象的图像帧，并确定同一目标对象的运动轨迹，以规避目标对象；
[0089]
s6，根据运动轨迹，检测存在同一目标对象的图像帧之间是否存在轨迹中断点对应的中断图像帧，若出现中断图像帧，即出现漏检的情况，采用卡尔曼预测补帧，以加强对目标对象跟踪的稳定性，图3是本发明可选实施方式中采用卡尔曼预测补帧的流程图，如图3所示，该算法流程如下：
[0090]
s6.1，检测漏检；
[0091]
s6.2，若存在漏检，根据历史帧目标结果以及卡尔曼预测得到当前帧的预测结果；
[0092]
s6.3，将预测结果添加到每帧的总目标中，更新该补帧目标的属性以及时间戳；
[0093]
s6.5，该轨迹的补帧数量n＝n 1；
[0094]
s6.6，确定n是否超过跟踪等待帧数，若是，则删除该补帧，结束；
[0095]
需要说明的是，跟踪等待帧数表示若在等待帧数范围内一直未出现目标，则删除该跟踪轨迹，再次出现时重新新增轨迹。
[0096]
s6.7，若否，则检测下一帧是否出现该障碍物，若是，则进行卡尔曼预测得到当前
帧的预测结果，将预测结果添加到每帧的总目标中，更新该补帧目标的属性以及时间戳，结束；
[0097]
s6.8，若否，则进行步骤s6.2，继续进行卡尔曼预测补帧，循环直至结束。
[0098]
通过上述可选实施方式，通过不同匹配策略的加权可以更加准确的匹配到连续帧的相同目标，同时在卡尔曼滤波过程中通过补帧获得更加稳定的目标运动轨迹，且优化算法适应性强，算法复杂度低，易于实现。
[0099]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0100]
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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
[0101]
实施例2
[0102]
根据本发明实施例，还提供了一种用于实施上述目标对象匹配方法的装置，图4是根据本发明实施例的目标对象匹配装置的结构框图，如图4所示，该装置包括：第一获取模块402，第二获取模块404和匹配模块406，下面对该装置进行详细说明。
[0103]
第一获取模块402，用于获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，第一图像帧中包括第一目标对象，第二图像帧中包括第二目标对象；第二获取模块404，连接于上述第一获取模块402，用于获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置；匹配模块406，连接于上述第二获取模块404，用于基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。
[0104]
此处需要说明的是，上述第一获取模块402，第二获取模块404和匹配模块406对应于实施目标对象匹配方法中的步骤s102至步骤s106，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
[0105]
实施例3
[0106]
根据本发明实施例的另外一个方面，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器被配置为执行指令，以实现上述任一项的目标对象匹配方法。
[0107]
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的目标对象匹配方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标对象匹配方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存
储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0108]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，第一图像帧中包括第一目标对象，第二图像帧中包括第二目标对象；获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置；基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。
[0109]
实施例4
[0110]
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项的目标对象匹配方法。
[0111]
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
[0112]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，第一图像帧中包括第一目标对象，第二图像帧中包括第二目标对象；获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置；基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。
[0113]
实施例5
[0114]
根据本发明实施例的另外一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的目标对象匹配方法。
[0115]
可选地，在本实施例中，计算机程序产品被设置为存储用于执行以下步骤的程序代码：获取目标视频的图像帧序列中连续的第一图像帧和第二图像帧，其中，第一图像帧中包括第一目标对象，第二图像帧中包括第二目标对象；获取第一目标对象在第一图像帧中的第一位置以及第二目标对象在第二图像帧中的第二位置；基于第一位置以及第二位置，匹配第一目标对象和第二目标对象，得到第一目标对象与第二目标对象的第一匹配结果。
[0116]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0117]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0118]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0119]
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0120]
另外，在本发明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。
[0121]
所述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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0122]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。