[发明专利]基于稠密连接卷积网络的目标跟踪方法

说明书

本发明揭示了一种基于稠密连接卷积网络的目标跟踪方法，包括如下步骤：S1、确定兴趣目标的大小和位置；S2、提取输入帧的卷积特征并进行判断，若输入帧为初始帧，则求取PCA投影矩阵对卷积特征进行降维，使用所得卷积特征训练基于稠密连接网络的目标跟踪模型，进入S7，否则使用已训练PCA投影矩阵对输入帧卷积特征进行降维，进入S3；S3、将卷积特征输入跟踪模型预测兴趣目标的位置；S4、在目标预测位置进行尺度采样，估计目标大小；S5、更新目标跟踪模型的网络权值；S6、输出目标预测位置和尺度；S7、输入下一帧，直至完成视频所有帧的预测。本发明实现了跟踪模型的端到端学习，有效地缩减了训练时间，提升了使用效率。

技术领域

本发明涉及一种目标跟踪方法，具体而言，涉及一种基于稠密连接卷积网络的目标跟踪方法，属于目标跟踪技术领域。

背景技术

目标跟踪是计算机视觉中的一个重要研究领域，它被广泛地应用于安防监控、无人驾驶、人机交互等方面。目标跟踪的主要目的是在视频中估计给定兴趣目标的运动状态。目标跟踪作为一个热点问题，近些年取得了很多杰出的研究成果。尽管如此，由于使用过程中的光照变化、目标外观变化以及背景遮挡等情况都会给目标跟踪算法造成极大的挑战，因此目前，对于目标跟踪算法的研究仍然有待深入。

近年来，基于相关滤波的目标跟踪算法以其良好的跟踪效果和高效的计算效率吸引了诸多研究人员的目光。相关滤波跟踪将滤波器求解问题转化为将输入特征回归为目标高斯分布问题。在回归问题的求解过程中运用快速傅里叶变换将计算投射到频域从而大大提高计算效率。与此同时，随着深度学习在计算机视觉等其它领域不断取得新突破，基于深度学习的目标跟踪算法也成为了新的研究热点。一方面，它可以将表征能力更强的深度卷积特征直接与卷积滤波跟踪框架相结合，从而提高跟踪精度和鲁棒性；另一方面，它可以使用视频序列训练深度神经网络跟踪模型。

但是，目前的基于深度学习的目标跟踪算法在实际的使用过程中也并非十全十美。首先。由于提取卷积特征的预训练模型与相关滤波相互独立，并不能体现出神经网络端到端学习的优势。同时，循环采样所带来的边界效应也严重限制着相关滤波跟踪算法的性能。此外，在上述算法的训练过程中，需要使用大量的数据并花费高额的时间成本，并不便于日常应用。

综上所述，虽然针对上述问题，如何在现有技术的基础上提出一种全新的目标跟踪方法，保留现有技术的诸多优点、克服现有技术的各项不足，也就成为了本领域内技术人员亟待解决的问题。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于稠密连接卷积网络的目标跟踪方法，包括如下步骤：

S1、在视频的初始帧中确定兴趣目标的大小和位置，将初始帧输入跟踪模型；

S2、输入视频的一帧，提取输入帧的卷积特征，并对输入帧是否为初始帧进行判断，

若输入帧为初始帧，则求取PCA投影矩阵对卷积特征进行降维，使用所得卷积特征训练基于稠密连接网络的目标跟踪模型，随后进入S7，

若输入帧非初始帧，使用已训练PCA投影矩阵对输入帧卷积特征进行降维，随后进入S3；

S3、将卷积特征输入跟踪模型预测兴趣目标的位置；

S4、在目标的预测位置进行尺度采样，估计目标大小；

S5、更新目标跟踪模型的网络权值；

S6、输出目标的预测位置和尺度；

S7、输入视频的下一帧，返回S2，直至完成视频所有帧的预测。

优选地，S1中所述在视频的初始帧中确定兴趣目标的大小和位置，具体包括：在视频的初始帧中，通过手动或者目标检测算法给定兴趣目标的位置和大小，确定兴趣目标的信息。