[发明专利]融合卷积网络特征和判别式相关滤波器的目标跟踪方法

权利要求书

1.一种融合卷积网络特征和判别式相关滤波器的目标跟踪方法，其特征在于包括以下步骤：

步骤A，在离线阶段，使用视频中连续帧中的图像对训练跟踪特征神经网络；具体的，使用视频序列连续帧中丰富的流信息来训练卷积特征神经网络，卷积层由VGG的conv1组成，去除所有池层，强制输出为32个通道，对于每个训练视频，选择最近10帧内的一对图像作为一对训练对象，并且将成对的图像剪裁为125×125大小的包含跟踪对象的块传输给网络；使用权值衰减设置为ξ，学习率为1e-5的随机梯度下降法训练Siamese Network，对于每个跟踪块的相关滤波层，固定在线训练时的学习率为β，正则化系数设置为λ，在线训练和离线跟踪时的高斯空间的带宽均设置为θ；

步骤B，初始化跟踪目标块和背景块集合的中心坐标、矩形框宽度和高度属性；

步骤C，对图像进行surf特征点检测，找出其中最具辨别性的背景块；

步骤D，按顺序将特征点集中与目标块没有交集的surf特征点块加入背景区域块集合中；

步骤E，重复步骤C和步骤D，直到满足背景块数量达到需求；

步骤F，对于目标块训练和背景块集合中的每个背景块训练一个分辨式相关滤波器；

步骤G，构建相对目标中心的运动模型；具体的，对于在第t帧的每个背景区域块，设定它的运动状态为其中δ表示该点相对目标中心的位移向量；v为该点运动速度，目标特征点的运动状态使用进行预测，其中β t ～ N(0, β ₀ ) 是均值为0的高斯噪声，背景特征的运动状态通进行预测，其中β_t～(0，β₀)；

步骤H，读取下一帧图像；

步骤I，同时跟踪目标块和背景块,计算他们的跟踪结果置信图；

步骤J，通过分析置信图的特征判断目标图像块和背景图像块是否跟丢；

步骤K，如果目标跟踪失败，则使用背景块集合推测目标位置；

步骤L，如果目标没跟丢，使用跟踪置信图确定目标位置；

步骤M，如果有背景块跟踪失败，则使用辨别性更强的新的背景块替换跟踪失败的块；

步骤N，根据定位到的目标点更新网络；

步骤O，重复执行步骤C至步骤H，直至处理完所有图像序列。

2.根据权利要求1所述的融合卷积网络特征和判别式相关滤波器的目标跟踪方法，其特征在于：步骤F所述的相关滤波器是一个端到端的轻量级卷积神经网络的特殊层次，将相关滤波器与浅层的特征神经网络相结合，通过反向传播更新网络结构的参数。

3.根据权利要求1所述的融合卷积网络特征和判别式相关滤波器的目标跟踪方法，其特征在于：步骤G所述的运动模型是一种利用空间结构关系构建背景图像块与目标图像块的相对运动关系的模型，对于背景特征块，由于在目标跟踪的过程中，背景与目标之间存在着相对运动，假设目标与其周围背景的相对运动是线性运动。

4.根据权利要求1所述的融合卷积网络特征和判别式相关滤波器的目标跟踪方法，其特征在于：步骤J所述的分析置信图特征指通过分析置信图峰值旁瓣比判断目标此次跟踪的可信度，若可信度较低则认为有跟踪失败的风险，在此基础上，再分析置信图的极大顶点和次大顶点的关系，若两个点的峰值接近，则认为本帧图像中有多余一个疑似目标的区域，认定跟踪失败。

5.根据权利要求1所述的融合卷积网络特征和判别式相关滤波器的目标跟踪方法，其特征在于：步骤K所述的使用背景块集合推测目标位置具体指通过分析各个背景块的置信图，判断每个背景块此次跟踪的可靠性，对于可靠性较高的背景块，在结果推测中赋予更高的权值，对目标位置预测提供更大的贡献，然后结合背景块的运动模型和与目标块的相对关系，综合推测目标在此幅图像中的位置。