[发明专利]一种结合残差注意力和上下文信息的目标跟踪算法

权利要求书

1.一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，包括以下步骤：

S1、将已经标注好的第一帧跟踪目标区域，上一帧已经预测的跟踪目标区域和当前帧的搜索区域同时传到卷积层，得到第一帧的卷积特征图、上一帧的卷积特征图及当前帧的卷积特征图；

S2、将第一帧的卷积特征图送到残差注意力网络经过五层卷积操作得到残差特征图；

S3、将第一帧的卷积特征图和残差特征图进行乘积操作得到残差响应特征图；

S4、将第一帧的残差特征响应图、上一帧和当前帧的卷积特征图传到全连接层，通过全连接层将卷积层二维的特征图转成一维的向量，通过全连接层来学习第一帧，上一帧和当前帧三者之间的时空关系；

S5、将全连接层的结果输出到输出层得到最后的跟踪结果。

2.根据权利要求1所述的一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，所述步骤S1的卷积层是使用的CaffeNet深度学习网络的前五层卷积层，使用CaffNet在Imagenet图片数据集分类训练的参数模型来初始化网络参数。

3.根据权利要求1或2所述的一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，所述步骤S2的残差注意力网络主要是由5层卷积层组成，分别有两层下采样，一层1*1的卷积层，还有两层上采样。第一帧目标区域通过残差网络之后可以得到第一帧的残差特征图。

4.根据权利要求3所述的一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，所述步骤S3将得到的残差特征图M_i,c(x)和第一帧的卷积特征图F_i,c(x)进行元素乘积操作，得到第一帧跟踪目标的残差特征响应图M_i,c(x)*F_i,c(x)。

5.根据权利要求4所述的一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，所述S4将第一帧的残差特征响应图、上一帧和当前帧的卷积特征图传到全连接层，通过全连接层将卷积层二维的特征图转成一维的向量，通过全连接层来学习第一帧，上一帧和当前帧三者之间的时空关系。

6.根据权利要求5所述的一种结合残差注意力和上下文信息的目标跟踪算法，其特征在于，所述步骤S5的输出层本质上是由全连接层组成，输出通道数为4，4分别代表跟踪目标的左上角和右下角在当前帧的坐标值。