网络训练、目标跟踪方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种网络训练、目标跟踪方法及装置、电子设备和存储介质。

背景技术

目标跟踪可以根据视频第一帧给定的目标对象对应的目标框信息，准确地找到目标对象在视频中接下来的图像中的位置，并估计其尺寸变化。目标跟踪是计算机视觉领域一个十分重要的问题，广泛应用于交通监管，人机交互，自动驾驶，无人机等领域。鉴于深度神经网络优秀的表征能力，现在常用的目标跟踪方法是基于深度神经网络构建的网络模型。深度神经网络依赖于有效的训练数据，而在目标跟踪这样的视频处理任务中，训练数据的选取有着区别于图像处理任务的特殊性。在图像处理任务中，所有的图像都用于网络的训练，图像利用率达到100％；而在目标跟踪领域，训练中利用到的图像对只占了总图像对的不到10％，因此，如何有效地选取图像对用于网络训练显得格外重要。

发明内容

本公开提出了一种网络训练、目标跟踪方法及装置、电子设备和存储介质的技术方案。

根据本公开的一方面，提供了一种网络训练方法，包括：将第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，x为大于或等于1的正整数，所述第x个训练样本集中包括从多个样本视频中采样的至少一个图像对；根据所述第x次跟踪结果，确定所述多个样本视频对应的目标采样概率；根据所述目标采样概率对所述多个样本视频进行采样，构建第x+1个训练样本集，所述第x+1个训练样本集中包括从所述多个样本视频中采样的至少一个图像对；根据所述第x次跟踪结果，调整所述第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，所述第x+1个训练样本集用于对所述第x次训练后的跟踪网络进行训练。

在一种可能的实现方式中，所述根据所述第x次跟踪结果，确定所述多个样本视频对应的目标采样概率，包括：根据所述第x次跟踪结果，确定所述多个样本视频中第i个样本视频的跟踪难度，所述第i个样本视频的跟踪难度用于指示所述第x-1次训练后的跟踪网络对所述第i个样本视频中的目标对象的跟踪难易程度，i为大于或等于1，且小于或等于M的正整数，M为所述多个样本视频的总数量；根据所述第i个样本视频的视频长度和所述第i个样本视频的跟踪难度，确定所述第i个样本视频对应的所述目标采样概率，进而得到所述多个样本视频对应的目标采样概率，所述第i个样本视频的视频长度用于指示所述第i个样本视频中包括的图像总数量。

在一种可能的实现方式中，所述第x次跟踪结果中包括所述第x-1次训练后的跟踪网络对所述第x个训练样本集中包括的从所述第i个样本视频中采样的至少一个图像对的分类预测概率；所述根据所述第x次跟踪结果，确定所述多个样本视频中第i个样本视频的跟踪难度，包括：根据所述分类预测概率，确定所述至少一个图像对的香农信息熵；根据所述至少一个图像对的香农信息熵，确定所述第i个样本视频的跟踪难度。

在一种可能的实现方式中，所述根据所述第i个样本视频的视频长度和所述第i个样本视频的跟踪难度，确定所述第i个样本视频对应的所述目标采样概率，包括：根据所述第i个样本视频的视频长度，确定所述第i个样本视频对应的初始采样概率；根据所述第i个样本视频对应的初始采样概率和所述第i个样本视频的跟踪难度，确定所述第i个样本视频对应的所述目标采样概率。

在一种可能的实现方式中，所述根据所述第i个样本视频对应的初始采样概率和所述第i个样本视频的跟踪难度，确定所述第i个样本视频对应的所述目标采样概率，包括：根据各所述样本视频的跟踪难度，确定所述多个样本视频对应的直方图分布和拟合高斯分布；根据所述第i个样本视频的跟踪难度、所述直方图分布和所述拟合高斯分布，确定所述第i个样本视频对应的概率调整比例；根据所述第i个样本视频对应的概率调整比例，调整所述第i个样本视频对应的初始采样概率，得到所述第i个样本视频对应的所述目标采样概率。

在一种可能的实现方式中，所述直方图分布的峰值对应第一跟踪难度，所述拟合高斯分布的峰值对应第二跟踪难度；所述根据所述第i个样本视频的跟踪难度、所述直方图分布和所述拟合高斯分布，确定所述第i个样本视频对应的概率调整比例，包括：确定所述直方图分布和所述拟合高斯分布之间的第一交点和第二交点，所述第一交点对应第三跟踪难度，所述第二交点对应第四跟踪难度，所述第一交点为距离所述直方图分布的峰值最邻近的交点，且所述第三跟踪难度小于所述第一跟踪难度，所述第二交点为距离所述拟合高斯分布的峰值最邻近的交点，且所述第四跟踪难度大于所述第二跟踪难度；在所述第i个样本视频的跟踪难度位于所述第三跟踪难度和所述第四跟踪难度之间的情况下，将所述第i个样本视频的跟踪难度在所述拟合高斯分布的取值g

在一种可能的实现方式中，所述方法还包括：在所述第i个样本视频的跟踪难度位于所述第三跟踪难度和所述第四跟踪难度之外的情况下，将所述第i个样本视频对应的概率调整比例确定为1。

在一种可能的实现方式中，所述根据所述目标采样概率对所述多个样本视频进行采样，构建第x+1个训练样本集，包括：针对所述多个样本视频中的第i个样本视频，根据预设采样总次数和所述第i个样本视频对应的所述目标采样概率，确定所述第i个样本视频对应的采样次数N，N为大于或等于1的正整数；确定所述第i个样本视频中的多个图像对，以及确定所述多个图像对中不同图像对之间的空间距离；对所述第i个样本视频执行N次图像对采样操作，采样得到用于构建所述第x+1个训练样本集的N个图像对，所述N次图像对采样操作中第j次图像对采样操作得到的图像对是所述多个图像对的未被采样的图像对中，且与所述第j-1次图像对采样操作得到的图像对之间的空间距离最大的图像对，j为大于或等于2且小于或等于N的正整数。

在一种可能的实现方式中，所述确定所述多个图像对中不同图像对之间的空间距离，包括：根据所述第i个视频的所述视频长度，将所述第i个视频平均划分为多个图像区域；确定所述多个图像区域构成的多个区域对，以及确定所述多个区域对中不同区域对之间的空间距离；针对所述多个区域对中的任意两个区域对，将所述两个区域对之间的空间距离，确定为所述两个区域对中包括的图像对之间的空间距离。

在一种可能的实现方式中，所述对所述第i个样本视频执行N次图像对采样操作，采样得到用于构建所述第x+1个训练样本集的N个图像对，包括：对所述多个区域对执行N次区域对采样操作，采样得到N个区域对，所述N次区域对采样操作中的第j次区域对采样操作得到的区域对是所述多个区域对的未被采样的区域对中，且与所述第j-1次区域对采样操作得到的区域对之间的空间距离最大的区域对，j为大于或等于2且小于或等于N的正整数；分别对所述N个区域对执行图像对采样操作，得到所述N个图像对，针对所述N个区域对中的任一区域对，对所述区域对执行的图像对采样操作为从构成所述区域对的两个图像区域中分别采样一个图像。

根据本公开的一方面，提供了一种目标跟踪方法，包括：通过跟踪网络对待跟踪视频中的目标对象进行跟踪，得到所述目标对象的跟踪结果，所述跟踪网络为采用上述网络训练方法训练得到的。

根据本公开的一方面，提供了一种网络训练装置，包括：第一确定模块，用于将第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，x为大于或等于1的正整数，所述第x个训练样本集中包括从多个样本视频中采样的至少一个图像对；第二确定模块，用于根据所述第x次跟踪结果，确定所述多个样本视频对应的目标采样概率；采样模块，用于根据所述目标采样概率对所述多个样本视频进行采样，构建第x+1个训练样本集，所述第x+1个训练样本集中包括从所述多个样本视频中采样的至少一个图像对；训练模块，用于根据所述第x次跟踪结果，调整所述第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，所述第x+1个训练样本集用于对所述第x次训练后的跟踪网络进行训练。

根据本公开的一方面，提供了一种目标跟踪装置，包括：跟踪模块，用于通过跟踪网络对待跟踪视频中的目标对象进行跟踪，得到所述目标对象的跟踪结果，所述跟踪网络为采用上述网络训练方法训练得到的。

根据本公开的一方面，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，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，将从多个样本视频中各样本视频中采样的至少一个图像对构成的第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，根据第x次跟踪结果可以调整第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，此外，根据第x次跟踪结果，还可以确定多个样本视频对应的目标采样概率，由于目标采样概率综合考虑了跟踪网络在当前第x次训练中的跟踪结果，使得根据目标采样概率可以在多个样本视频之间进行合理采样，以构建用于对第x次训练后的跟踪网络进行接下来第x+1次有效训练的第x+1个训练样本集，进而可以有效提高训练后的跟踪网络的网络性能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种网络训练方法的流程图；

图2示出根据本公开实施例的调整前的直方图分布和拟合高斯分布；

图3示出根据本公开实施例的调整后的直方图分布和拟合高斯分布；

图4示出根据本公开实施例的对第i个样本视频的图像对采样的示意图；

图5示出根据本公开实施例的一种网络训练装置的框图；

图6示出根据本公开实施例的一种电子设备的框图；

图7示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

目标跟踪可以根据视频第一帧给定的目标对象对应的目标框信息，准确地找到目标在视频中接下来的图像中的位置，并估计其尺寸变化。孪生跟踪网络是目前常用的应用于目标跟踪的一种深度神经网络。深度神经网络依赖于有效的训练数据，而在目标跟踪这样的视频处理任务中，训练数据的选取有着区别于图像处理任务的特殊性。在图像处理任务中，所有的样本图像都用于网络训练，图像利用率达到100％。在目标跟踪领域，针对孪生跟踪网络，目前主要采用随机采样策略构建用于对孪生跟踪网络进行训练的样本数据集。例如，训练数据池中包括N1个样本视频，在对孪生跟踪网络进行一次训练的过程中需要用到N2个图像对，N2>N1。采用随机采样策略对训练数据池中的N1个样本视频进行采样，具体地：在每个采样周期内，分别从每个样本视频中采样一个图像对，得到N1个图像对；对N1个样本视频进行多周期采样，得到N2个图像对，根据N2个图像对可以构建用于对孪生跟踪网络进行训练的训练样本集。由于不同样本视频具有不同的特征，例如，不同的视频长度(视频长度用于指示样本视频中包括的图像总数量)、不同的目标运动速度(待跟踪目标对象在样本视频中不同图像之间的运动速度)、背景杂波(图像背景复杂程度)等，因此，不同样本视频在网络训练中所起的作用是不同的，采用随机采样策略对每个样本视频进行相同采样概率的采样方式，使得在构建用于对孪生网络进行训练的训练样本集的过程中，并没有对训练池中的数据进行有效利用。本公开实施例的网络训练方法，可以应用于对训练池中的数据进行合理采样，充分利用训练池中的数据构建用于对跟踪网络进行网络训练的训练样本集，从而使得利用训练样本集对跟踪网络进行训练之后，可以有效提高训练后的跟踪网络的网络性能。本公开实施例中的跟踪网络可以是孪生跟踪网络，也可以是用于进行目标跟踪的其它深度神经网络，本公开对此不做具体限定。

下面对本公开实施例的网络训练方法进行详细说明。

图1示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该网络训练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。或者，可通过服务器执行该网络训练方法。如图1所示，该网络训练方法可以包括：

在步骤S11中，将第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，x为大于或等于1的正整数，第x个训练样本集中包括从多个样本视频中采样的至少一个图像对。

在步骤S12中，根据第x次跟踪结果，确定多个样本视频对应的目标采样概率。

在步骤S13中，根据目标采样概率对多个样本视频进行采样，构建第x+1个训练样本集，第x+1个训练样本集中包括从多个样本视频中采样的至少一个图像对。

在步骤S14中，根据第x次跟踪结果，调整第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，第x+1个训练样本集用于对第x次训练后的跟踪网络进行训练。

本公开实施例中，将从多个样本视频中各样本视频中采样的至少一个图像对构成的第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，根据第x次跟踪结果可以调整第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪结果，此外，根据第x次跟踪结果，还可以确定多个样本视频对应的目标采样概率，由于目标采样概率综合考虑了跟踪网络在当前第x次训练中的跟踪结果，使得根据目标采样概率可以在多个样本视频之间进行合理采样，以构建用于对第x次训练后的跟踪网络进行接下来第x+1次有效训练的第x+1个训练样本集，进而可以有效提高训练后的跟踪网络的网络性能。

在一种可能的实现方式中，在对跟踪网络进行训练之前，首先根据各样本视频的视频长度，确定各样本视频对应的初始采样概率。

例如，训练数据池中包括n个样本视频，可以通过下述公式(1)，确定n个样本视频中第i个样本视频对应的初始采样概率P

其中，N

在一种可能的实现方式中，在训练初始化过程中，即当x＝1时，根据各样本视频的视频长度，确定各样本视频对应的初始采样概率，根据初始采样概率对多个样本视频进行采样，构建第1个训练样本集，进而将第1个训练样本集输入第0次训练后的跟踪网络(未训练过的跟踪网络)，得到第1次跟踪结果。根据第1次跟踪结果，调整第0次训练后的跟踪网络的网络参数，得到第1次训练后的跟踪网络。根据第1次跟踪结果，确定各样本视频对应的目标采样概率，进而根据目标采样概率对多个样本视频中进行采样，构建用于对第0次训练后的跟踪网络进行训练的第2个训练样本集。将第2个训练样本集输入到第1次训练后的跟踪网络，得到第2次跟踪结果。迭代执行上述网络训练过程，在后续的训练过程中，均基于上一次训练的跟踪结果，确定下一次训练中对各样本视频进行采样的目标采样概率，进而基于目标采样概率对各样本视频进行采样以构建下一次训练中用到的训练样本集，直至最终训练后的跟踪网络达到预设训练需求。预设训练需求可以为训练迭代次数(训练总次数)，也可以为训练后的跟踪网络的跟踪准确度阈值，还可以为其它训练需求，本公开对此不做具体限定。

在一种可能的实现方式中，根据第x次跟踪结果，确定多个样本视频对应的目标采样概率，包括：根据第x次跟踪结果，确定多个样本视频中第i个样本视频的跟踪难度，第i个样本视频的跟踪难度用于指示第x-1次训练后的跟踪网络对第i个样本视频中的目标对象的跟踪难易程度，i为大于或等于1，且小于或等于M的正整数，M为多个样本视频的总数量；根据第i个样本视频的视频长度和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率，进而得到多个样本视频对应的目标采样概率，第i个样本视频的视频长度用于指示第i个样本视频中包括的图像总数量。

由于第x次跟踪结果是对第x-1次训练后的跟踪网络进行第x次训练过程中得到的，因此基于第x次跟踪结果，可以确定在当前第x次训练中各样本视频的跟踪难度，进而综合考虑各样本视频的视频长度，以及当前第x次训练中各样本视频的跟踪难度，可以确定在接下来第x+1次训练中，对各样本视频进行采样时的目标采样概率，以实现在接下来第x+1次训练中在多个样本视频之间进行合理采样。

在一种可能的实现方式中，第x次跟踪结果中包括第x-1次训练后的跟踪网络对第x个训练样本集中包括的从第i个样本视频中采样的至少一个图像对的分类预测概率；根据第x次跟踪结果，确定多个样本视频中第i个样本视频的跟踪难度，包括：根据分类预测概率，确定至少一个图像对的香农信息熵；根据至少一个图像对的香农信息熵，确定第i个样本视频的跟踪难度。

跟踪网络对图像对的分类预测概率可以确定图像对的香农信息熵，香浓信息熵可以反映图像对的跟踪难易程度，因此，在得到第x次训练中的第x次跟踪结果后，可以根据中第x次跟踪结果中包括的从每个样本视频中采样的至少一个图像对的分类预测概率，利用香农信息熵确定每个样本视频的跟踪难度，从而为后续确定对跟踪网络进行接下来第x+1次训练的采样过程确定目标采样概率做好准备。

例如，训练数据池中包括n个样本视频{ν

其中，K

在一种可能的实现方式中，根据第i个样本视频的视频长度和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率，包括：根据第i个样本视频的视频长度，确定第i个样本视频对应的初始采样概率；根据第i个样本视频对应的初始采样概率和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率。

根据各样本视频对应的初始采样概率，以及当前第x次训练中确定的各样本视频的跟踪难度，确定接下来第x+1次训练中各样本视频对应的目标采样概率，以实现在迭代训练中对各样本视频的采样概率的自适应调整。

在一种可能的实现方式中，根据第i个样本视频对应的初始采样概率和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率，包括：根据各样本视频的跟踪难度，确定多个样本视频对应的直方图分布和拟合高斯分布；根据第i个样本视频的跟踪难度、直方图分布和拟合高斯分布，确定第i个样本视频对应的概率调整比例；根据第i个样本视频对应的概率调整比例，调整第i个样本视频对应的初始采样概率，得到第i个样本视频对应的目标采样概率。

在确定各样本视频的跟踪难度之后，确定多个样本视频对应的直方图分布和拟合高斯分布，根据直方图分布和拟合高斯分布之间的差异，确定各样本视频对应的概率调整比例，进而根据各样本视频对应的概率调整比例，调整各样本视频对应的初始采样概率，得到各样本视频对应的目标采样概率。根据各样本视频对应的目标采样概率，以及各样本视频的跟踪难度，可以得到调整后的直方图分布，调整后的直方图分布和拟合高斯分布更为接近，从而基于目标采样概率进行采样时，可以根据不同样本视频的特性在多个样本视频之间进行合理采样。

例如，训练数据池中包括n个样本视频{ν

根据参数μ和σ

在一种可能的实现方式中，直方图分布的峰值对应第一跟踪难度，拟合高斯分布的峰值对应第二跟踪难度；根据第i个样本视频的跟踪难度、直方图分布和拟合高斯分布，确定第i个样本视频对应的概率调整比例，包括：确定直方图分布和拟合高斯分布之间的第一交点和第二交点，第一交点对应第三跟踪难度，第二交点对应第四跟踪难度，第一交点为距离直方图分布的峰值最邻近的交点，且第三跟踪难度小于第一跟踪难度，第二交点为距离拟合高斯分布的峰值最邻近的交点，且第四跟踪难度大于第二跟踪难度；在第i个样本视频的跟踪难度位于第三跟踪难度和第四跟踪难度之间的情况下，将第i个样本视频的跟踪难度在拟合高斯分布的取值g

仍以上述图2为例，如图2所示，直方图分布和拟合高斯分布之间的第一交点为X

在一种可能的实现方式中，该网络训练方法还包括：在第i个样本视频的跟踪难度位于第三跟踪难度和第四跟踪难度之外的情况下，将第i个样本视频对应的概率调整比例确定为1。

仍以上述图2为例，若第i个样本视频的跟踪难度D(ν

通过上述方式确定各样本视频对应的概率调整比例之后，根据各样本视频对应的概率调整比例，对各样本视频对应的初始采样概率进行调整，可以为跟踪难度较高的样本视频确定较高的目标采样概率，从而提高跟踪难度较高的样本视频在网络训练中所做的贡献。针对跟踪难度较低以及跟踪难度特别高的样本视频，由于这些样本视频在网络训练中所做的贡献较小，则为无需调整这些样本视频对应的初始采样概率，即仍然将根据视频长度确定的初始采样概率确定为其目标采样概率，从而实现了在多个样本视频之间的合理采样。

例如，在交通监管中，跟踪网络需要跟踪马路上正常行驶的红色轿车，而红色轿车旁边突然迎面行驶过来一辆橙色轿车，当两辆汽车很相似的时候，在跟踪网络没有利用类似的跟踪难度较大的样本视频进行过训练的情况下，则跟踪网络很容易发生跟踪漂移。在跟踪网络已经利用类似的跟踪难度较大的样本视频进行过训练的情况下，使得训练后的跟踪网络更加具有判别性，从而可以减少跟踪漂移的发生。

针对多个样本视频中的第i个样本视频，在根据第i个样本视频对应的目标采样概率，对第i个样本视频中的图像对进行采样时，需要考虑数据多样性。例如，第i个样本视频中包括25帧图像，根据各帧图像的顺序建立帧索引，例如帧索引m指示第m帧图像，m为大于或等于1，且小于或等于25的正整数。在一次图像对采样操作中，需要采样作为模板图像的一帧图像，以及作为搜索图像的一帧图像，共同构成采样得到的一个图像对。例如，采样得到的图像对(m，n)包括作为模板图像的第2帧图像和作为搜索图像的第n帧图像。在模板图像中预先标注待跟踪的目标对象，进而在搜索图像中对待跟踪的目标对象进行跟踪。

若对第i个样本视频执行的相邻两次采样得到的图像对为第一图像对(2，3)和第二图像对(2，4)。由于第一图像对(2，3)和第二图像对(2，4)之间较为临近，无法体现训练数据多样性，进而无法利用这些图像对对跟踪网络进行有效训练。因此，在同一样本视频内部进行图像对采样时，需要考虑数据多样性。

在一种可能的实现方式中，根据目标采样概率对多个样本视频进行采样，构建第x+1个训练样本集，包括：针对多个样本视频中的第i个样本视频，根据预设采样总次数和第i个样本视频对应的目标采样概率，确定第i个样本视频对应的采样次数N，N为大于或等于1的正整数；确定第i个样本视频中的多个图像对，以及确定多个图像对中不同图像对之间的空间距离；对第i个样本视频执行N次图像对采样操作，采样得到用于构建第x+1个训练样本集的N个图像对，N次图像对采样操作中第j次图像对采样操作得到的图像对是多个图像对的未被采样的图像对中，且与第j-1次图像对采样操作得到的图像对之间的空间距离最大的图像对，j为大于或等于2且小于或等于N的正整数。

在同一样本视频的视频内部进行图像对采样时，通过最远图像对采样策略，使得对同一样本视频进行的相邻两次图像对采样操作采样得到的图像对之间的空间距离最远，从而可以确保采样得到的图像对之间的多样性，进而可以利用这些图像对对跟踪网络进行有效训练，以使得有效提高训练后的跟踪网络的网络性能。

例如，针对多个样本视频中的第i个样本视频，第i个样本视频的视频长度为M，即第i个样本视频中包括M帧图像，对第i个样本视频进行图像对采样得到的图像对中，模板图像可以是M帧图像中的任一帧图像，搜索图像也可以是M帧图像中的任一帧图像，因此，第i个样本视频中一共包括M

在第一次执行图像对采样操作时，从9个图像对中随机选择一个图像对(m，n)；在第二次执行图像对采样操作时，从未被采样过的8个图像对中选择与图像对(m，n)之间的空间距离最大的图像对(p，q)。以此类推，直至图像对采样操作的采样次数达到N，完成对第i个样本视频的采样。图4示出根据本公开实施例的对第i个样本视频的图像对采样的示意图。如图4所示，无论是从第i个样本视频中采样25个图像对、采样50个图像对，还是采样75个图像对，均可以使得采样得到的图像对之间的空间距离较大，确保了采样得到的图像对之间的多样性。

在一种可能的实现方式中，确定多个图像对中不同图像对之间的空间距离，包括：根据第i个视频的视频长度，将第i个视频平均划分为多个图像区域；确定多个图像区域构成的多个区域对，以及确定多个区域对中不同区域对之间的空间距离；针对多个区域对中的任意两个区域对，将该两个区域对之间的空间距离，确定为该两个区域对中包括的图像对之间的空间距离。

实际应用中，样本视频的视频长度可能较长，单独确定样本视频中的不同图像对之间的空间距离的计算量较高，为了降低计算量，针对多个样本视频中的第i个样本视频，将第i个视频平均划分为多个图像区域，以确定任意两个图像区域构建的多个区域对，通过确定不同区域对之间的空间距离，来确定两个区域对中包括的图像对之间的空间距离，从而可以快速得到不同图像对之间的空间距离，有效降低了计算量。

针对多个样本视频中的第i个样本视频，可以根据第i个样本视频的视频长度，确定将第i个视频平均划分的多个图像区域的个数，还可以根据第i个样本视频的其它参数，确定将第i个视频平均划分的多个图像区域的个数，本公开对此不做具体限定。

在一种可能的实现方式中，对第i个样本视频执行N次图像对采样操作，采样得到用于构建第x+1个训练样本集的N个图像对，包括：对多个区域对执行N次区域对采样操作，采样得到N个区域对，N次区域对采样操作中的第j次区域对采样操作得到的区域对是多个区域对的未被采样的区域对中，且与第j-1次区域对采样操作得到的区域对之间的空间距离最大的区域对，j为大于或等于2且小于或等于N的正整数；分别对N个区域对执行图像对采样操作，得到N个图像对，针对N个区域对中的任一区域对，对该区域对执行的图像对采样操作为从构成该区域对的两个图像区域中分别采样一个图像。

通过区域对之间的空间距离，快速确定图像对之间的空间距离之后，可以首先对多个区域对进行区域对采样操作，确保相邻两次区域对采样操作采样得到的区域对之间的空间距离最远，进而可以通过采样得到的区域对，进一步进行图像对采样操作，以实现快速采样得到图像对，且确保了采样得到的图像对之间的多样性。

例如，第i个样本视频的视频长度为M，将第i个样本视频平均划分为K个图像区域，为了降低计算量，可以使得K＜＜M。对第i个样本视频进行图像对采样得到的图像对中，模板图像可以从K个图像区域的任一图像区域中选择，搜索图像也可以从K个图像区域中的任一图像区域中选择，因此，第i个样本视频中一共包括K

在对第i个样本视频进行采样时：对第i个样本视频执行第一次区域对采样操作，从K

根据本公开的实施例，将从多个样本视频中各样本视频中采样的至少一个图像对构成的第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，根据第x次跟踪结果可以调整第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，此外，根据第x次跟踪结果，还可以确定多个样本视频对应的目标采样概率，由于目标采样概率综合考虑了跟踪网络在当前第x次训练中的跟踪结果，使得根据目标采样概率可以在多个样本视频之间进行合理采样，以构建用于对第x次训练后的跟踪网络进行接下来第x+1次有效训练的第x+1个训练样本集，进而可以有效提高训练后的跟踪网络的网络性能。

本公开实施例还公开了一种目标跟踪方法，该目标跟踪方法可以由终端设备或服务器等电子设备执行，终端设备可以为UE、移动设备、用户终端、终端、蜂窝电话、无绳电话、PDA、手持设备、计算设备、车载设备、可穿戴设备等，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。或者，可通过服务器执行该目标跟踪方法。该目标跟踪方法可以包括：

通过跟踪网络对待跟踪视频中的目标对象进行跟踪，得到目标对象的跟踪结果，跟踪网络为采用上述网络训练方法训练得到的。

采用上述网络训练方法训练得到的跟踪网络的网络性能较高，使得通过训练后的跟踪网络对待跟踪视频的目标对象进行跟踪之后，得到的目标对象的跟踪结果的准确度较高。

下面对根据本公开实施例的一种网络训练与目标跟踪方法进行详细说明。

训练池中包括三个样本视频：第一样本视频、第二样本视频和第三样本视频。第一样本视频为对道路上行驶的红色车辆进行跟踪拍摄得到的，第一样本视频中包括50帧图像，且在第一样本视频中，不存在其它干扰对象(拍摄过程中道路上不存在其它车辆或行人等)；第二样本视频为对道路上行驶的红色车辆进行跟踪拍摄得到的，第二样本视频中包括100帧图像，且在第二样本视频中，还存在橙色车辆(拍摄过程中道路上存在与红色车辆共同行使的橙色车辆)；第三样本视频为对道路上行使的红色车辆进行跟踪拍摄得到的，第三样本视频中包括100帧图像，且第三样本视频中，不存在其它干扰对象(拍摄过程中道路上不存在其它车辆或行人等)。

利用训练池中的三个样本视频对跟踪网络进行训练，使得可以提高训练后的跟踪网络在交通监管、自动驾驶等领域中对车辆进行跟踪的跟踪准确度。

第一步，根据三个样本视频中各样本视频的视频长度，确定各样本视频对应的初始采样频率。

根据上述公式(1)可得，第一个样本视频对应的初始采样概率为

第二步，对跟踪网络进行第一次训练：根据各样本视频对应的初始采样概率对各样本视频进行采样，构建第1个训练样本集，将第1个训练样本集输入第0次训练后的跟踪网络(未训练过的跟踪网络)，得到第1次跟踪结果。

假设预设采样总次数为50，则第一个样本视频对应的采样次数N

第三步，根据第1次跟踪结果，调整跟踪网络的网络参数，得到第1次训练后的跟踪网络。

第四步，根据第1次跟踪结果，确定三个样本视频的跟踪难度。

利用第1次跟踪结果中包括的第0次跟踪网络对第1训练样本集中各图像对的分类预测概率，确定各图像对的香浓信息熵，进而根据各图像对的香浓信息熵，确定各样本视频的跟踪难度。

由于三个样本视频中第二个样本视频中包括干扰对象，因此，第二个样本视频的跟踪难度，相较于第一个样本视频和第二个样本视频是较高的。

第五步，根据三个样本视频的跟踪难度，确定直方图分布和拟合高斯分布，进而根据直方图分布和拟合高斯分布确定各样本视频对应的概率调整比例。

由于第二个样本视频的跟踪难度，相较于第一个样本视频和第二个样本视频是较高的，也即根据直方图分布和拟合高斯分布，第二个样本视频对应的概率调整比例是大于1的，即在下一轮采样过程中，对第二个样本视频对应的初始采样概率进行提高，并对第一个样本视频和第三个样本视频对应的初始采样概率进行降低，得到各自对应的目标采样概率。例如，在下一轮采样过程中，第一个样本视频对应的目标采样概率降低为0.1，第二个样本视频对应的目标采样概率提高为0.6，第三个样本视频对应的目标采样概率降低为0.3。

第六步，确定各样本视频中不同图像对之间的空间距离，以及在针对各样本视频进行图像对采样操作时，第j次图像对采样操作得到的图像对是未被采样的图像对中，且与第j-1次图像对采样操作得到的图像对之间的空间距离最大的图像对。

例如，针对第二个样本视频，第二个样本视频中包括100帧图像，则包括100

第七步，根据各样本视频的目标采样概率对各目标样本视频进行采样，构建第2个样本数据集。

由于预设采样总次数为50，第一个样本视频对应的目标采样概率为0.1，第二个样本视频对应的目标采样概率为0.6，第三个样本视频对应的目标采样概率为0.3，则第2个样本数据集中包括从第一个样本视频中采样的5个图像对、从第二个样本视频中采样的30个图像对、从第三个样本视频中采样的15个图像对。

第八步，将第2个样本数据集输入第1次训练后的跟踪网络，得到第2次跟踪结果。

第九步，迭代执行与上述第三步至第八步类似的网络训练过程，在后续的训练过程中，均基于上一次训练的跟踪结果，确定下一次训练中对各样本视频进行采样的目标采样概率，进而基于目标采样概率对各样本视频进行采样以构建下一次训练中用到的训练样本集，直至最终训练后的跟踪网络达到预设训练需求。

第十步，通过训练后的跟踪网络对待跟踪视频中的车辆进行跟踪，得到车辆的跟踪结果。

利用三个训练样本对跟踪网络进行训练的过程中，由于对跟踪难度较大的第二样本视频确定了较高的目标采样概率，且在对各样本视频内部进行采样时保证了图像对的多样性，使得经过训练后的跟踪网络对车辆进行跟踪时，遇到类似跟踪难度的情况下也可以提高跟踪准确度。例如，在交通监管中，跟踪网络需要跟踪马路上正常行驶的红色车辆，而红色车辆旁边突然迎面行驶过来一辆橙色车辆，当两车辆很相似的时候，本公开实施例得到的训练后的跟踪网络也可以具有较高的判别性，从而可以减少跟踪漂移的发生。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了网络训练/目标跟踪装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络训练/目标跟踪方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图5示出根据本公开实施例的一种网络训练装置的框图。如图5所示，装置50包括：

第一确定模块51，用于将第x个训练样本集输入第x-1次训练后的跟踪网络，得到第x次跟踪结果，x为大于或等于1的正整数，第x个训练样本集中包括从多个样本视频中采样的至少一个图像对；

第二确定模块52，用于根据第x次跟踪结果，确定多个样本视频对应的目标采样概率；

采样模块53，用于根据目标采样概率对多个样本视频进行采样，构建第x+1个训练样本集，第x+1个训练样本集中包括从多个样本视频中采样的至少一个图像对；

训练模块54，用于根据第x次跟踪结果，调整第x-1次训练后的跟踪网络的网络参数，得到第x次训练后的跟踪网络，第x+1个训练样本集用于对第x次训练后的跟踪网络进行训练。

在一种可能的实现方式中，第二确定模块52，包括：

第一确定子模块，用于根据第x次跟踪结果，确定多个样本视频中第i个样本视频的跟踪难度，第i个样本视频的跟踪难度用于指示第x-1次训练后的跟踪网络对第i个样本视频中的目标对象的跟踪难易程度，i为大于或等于1，且小于或等于M的正整数，M为多个样本视频的总数量；

第二确定子模块，用于根据第i个样本视频的视频长度和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率，进而得到多个样本视频对应的目标采样概率，第i个样本视频的视频长度用于指示第i个样本视频中包括的图像总数量。

在一种可能的实现方式中，第x次跟踪结果中包括第x-1次训练后的跟踪网络对第x个训练样本集中包括的从第i个样本视频中采样的至少一个图像对的分类预测概率；

第一确定子模块，具体用于：

根据分类预测概率，确定至少一个图像对的香农信息熵；

根据至少一个图像对的香农信息熵，确定第i个样本视频的跟踪难度。

在一种可能的实现方式中，第二确定子模块，包括：

第一确定单元，用于根据第i个样本视频的视频长度，确定第i个样本视频对应的初始采样概率；

第二确定单元，用于根据第i个样本视频对应的初始采样概率和第i个样本视频的跟踪难度，确定第i个样本视频对应的目标采样概率。

在一种可能的实现方式中，第二确定单元，包括：

第一确定子单元，用于根据各样本视频的跟踪难度，确定多个样本视频对应的直方图分布和拟合高斯分布；

第二确定子单元，用于根据第i个样本视频的跟踪难度、直方图分布和拟合高斯分布，确定第i个样本视频对应的概率调整比例；

第三确定子单元，用于根据第i个样本视频对应的概率调整比例，调整第i个样本视频对应的初始采样概率，得到第i个样本视频对应的目标采样概率。

在一种可能的实现方式中，直方图分布的峰值对应第一跟踪难度，拟合高斯分布的峰值对应第二跟踪难度；

第二确定子单元，具体用于：

确定直方图分布和拟合高斯分布之间的第一交点和第二交点，第一交点对应第三跟踪难度，第二交点对应第四跟踪难度，第一交点为距离直方图分布的峰值最邻近的交点，且第三跟踪难度小于第一跟踪难度，第二交点为距离拟合高斯分布的峰值最邻近的交点，且第四跟踪难度大于第二跟踪难度；

在第i个样本视频的跟踪难度位于第三跟踪难度和第四跟踪难度之间的情况下，将第i个样本视频的跟踪难度在拟合高斯分布的取值g

在一种可能的实现方式中，第二确定子单元，还用于：

在第i个样本视频的跟踪难度位于第三跟踪难度和第四跟踪难度之外的情况下，将第i个样本视频对应的概率调整比例确定为1。

在一种可能的实现方式中，采样模块53，包括：

第三确定子模块，用于针对多个样本视频中的第i个样本视频，根据预设采样总次数和第i个样本视频对应的目标采样概率，确定第i个样本视频对应的采样次数N，N为大于或等于1的正整数；

第四确定子模块，用于确定第i个样本视频中的多个图像对，以及确定多个图像对中不同图像对之间的空间距离；

采样子模块，用于对第i个样本视频执行N次图像对采样操作，采样得到用于构建第x+1个训练样本集的N个图像对，N次图像对采样操作中第j次图像对采样操作得到的图像对是多个图像对的未被采样的图像对中，且与第j-1次图像对采样操作得到的图像对之间的空间距离最大的图像对，j为大于或等于2且小于或等于N的正整数。

在一种可能的实现方式中，第四确定子模块，具体用于：

根据第i个视频的所述视频长度，将第i个视频平均划分为多个图像区域；

确定多个图像区域构成的多个区域对，以及确定多个区域对中不同区域对之间的空间距离；

针对多个区域对中的任意两个区域对，将两个区域对之间的空间距离，确定为两个区域对中包括的图像对之间的空间距离。

在一种可能的实现方式中，采样子模块，具体用于：

对多个区域对执行N次区域对采样操作，采样得到N个区域对，N次区域对采样操作中的第j次区域对采样操作得到的区域对是多个区域对的未被采样的区域对中，且与第j-1次区域对采样操作得到的区域对之间的空间距离最大的区域对，j为大于或等于2且小于或等于N的正整数；

分别对N个区域对执行图像对采样操作，得到N个图像对，针对N个区域对中的任一区域对，对区域对执行的图像对采样操作为从构成区域对的两个图像区域中分别采样一个图像。

本公开实施例还公开了一种目标跟踪装置，该目标跟踪装置包括：

跟踪模块，用于通过跟踪网络对待跟踪视频中的目标对象进行跟踪，得到所述目标对象的跟踪结果，跟踪网络为采用上述网络训练方法训练得到的。

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。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的网络训练/目标跟踪方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的网络训练/目标跟踪方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图6示出根据本公开实施例的一种电子设备的框图。如图6所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。