[发明专利]一种漂移检测的残差深度特征目标跟踪方法

说明书

本发明公开了一种漂移检测的残差深度特征目标跟踪方法，通过卷积神经网络提取分层特征，然后在卷积神经网络加入残差结构，连接不同的网络层，实现浅层和深层特征的融合，不需要人为设计特征融合方式，网络结构能够自动实现特征融合的功能，用深度特征区分目标和背景，比传统特征更具有分辨力；在预测当前帧的目标位置时，提出了一个检测模型漂移的策略，设计了一个响应强度下降计数器，通过对比相邻帧响应强度的大小计数，根据计数器的数值，用来判断是否出现模型漂移，以采取相对应的模型更新方案作为补救措施，实现精确跟踪。

技术领域

本发明涉及图像处理和计算机视觉技术领域，特别是一种漂移检测的残差深度特征目标跟踪方法。

背景技术

在各交通路段，都有着监控摄像头的身影，它们时刻观察着来往车辆，并对违规车辆进行身份信息确认和跟踪，其中，使用的目标跟踪技术，已是计算机视觉领域的核心研究课题之一，在现实生活中有着广泛的应用，不仅仅在交通监控，智能手机，智能机器人，自动驾驶，军事等领域都有它在发挥着重要作用。

传统的目标跟踪算法遇到目标形变，光照变化，背景杂乱等困难时，并不能取得很好的跟踪效果，无法满足人们的需求。随着深度学习的蓬勃发展，对计算机视觉领域产生着巨大的影响，人们开始在其中寻找解决问题的方法。近年来目标跟踪以2014年JFHenriques等人(Henriques J F,Rui C,Martins P,et al.High-Speed Tracking withKernelized Correlation Filters[J].IEEE Transactions on Pattern AnalysisMachine Intelligence,2014,37(3):583-596)提出的核相关滤波算法最具有代表性，有着极高的跟踪速度，使人们看到了实时跟踪的可能性，但是使用的传统特征导致跟踪的效果不佳。同一年，由K Simonyan等人(Simonyan K,Zisserman A.Very deep convolutionalnetworks for large-scale image recognition[J].arXiv preprint arXiv:1409.1556,2014.)提出的深度卷积神经网络在ILSVRC-2014上大放异彩，深度学习开始在计算机视觉上发挥作用，在2015年由K He等人(He K,Zhang X,Ren S,et al.Deep Residual Learningfor Image Recognition[J].2015:770-778.)提出的残差网络，其中应用的残差结构为训练更深的网络提供途径，但是跟踪的实时性无法很好地满足要求。在随后的研究中，将深度网络作为端到端的跟踪，如2016年由H Nam等人(Nam H,Han B.Learning Multi-domainConvolutional Neural Networks for Visual Tracking[C]//Computer Vision andPattern Recognition.IEEE,2016:4293-4302.)提出的学习多域的神经网络，将原始图像作为输入，直接输出跟踪结果，还有将深度网络作为特征提取器，如M Danelljan等人(Danelljan M,G,Khan F S,et al.Convolutional Features for CorrelationFilter Based Visual Tracking[C]//IEEE International Conference on ComputerVision Workshop.IEEE Computer Society,2015:621-629.)提出的有效的卷积操作用于跟踪，取得了非常好的跟踪精度，仍然面临着跟踪速度满足不了实时跟踪需要的难题。同时，M Danelljan等人(Danelljan M,Bhat G,Khan F S,et al.ECO:EfficientConvolution Operators for Tracking[J].2016:6931-6939.)探究了不同卷积层特征对于跟踪的影响，得出浅层特征更适合跟踪的结论；而由C Ma等人(Ma C,Huang J B,Yang X,et al.Hierarchical Convolutional Features for Visual Tracking[C]//IEEEInternational Conference on Computer Vision.IEEE Computer Society,2015:3074-3082.)提出的卷积分层特征用于跟踪，阐述了神经网络浅层和深层特征对于跟踪的影响，有效利用浅层和深层特征能够显著提升跟踪效果，但是人工选取特征融合的方式不利于精确的目标跟踪。