[发明专利]一种基于神经网络的尺度自适应核相关滤波跟踪方法

说明书

本发明提供一种基于神经网络的尺度自适应核相关滤波跟踪方法，方法包括：获取初始帧数据、目标区域以及目标区域参数信息；提取目标区域的至少两个层特征作为特征图；将所提取的特征图转换到连续域；通过最小化滤波器响应输出与期望输出的损失函数，计算有效卷积滤波器，并基于有效卷积滤波器进行目标位置预测；基于尺度滤波器预测目标的尺度变化；级联多目标分类器的类别输出与有效卷积滤波器的最大响应输出值，判断目标是否跟丢。应用本发明实施例，在有效空间卷积滤波器的基础上利用轻量级神经网络MobileNetV2提取目标区域卷积特征作为目标特征图，增强滤波器鲁棒性，减小模型参数数量，提升跟踪速度。

技术领域

本发明涉及滤波跟踪技术领域，特别是涉及一种基于神经网络的尺度自适应核相关滤波跟踪方法。

背景技术

目标跟踪算法近些年取得极大的发展，被广泛运用在视频监控、机器人跟踪、人机交互及智能交通等领域。深度学习与相关滤波的结合使得跟踪器的性能大大提升，但是由于网络的复杂性极大限制算法跟踪速度，轻量级的网络可以在基本不损失跟踪精度的同时，极大跟踪算法的计算速度。同时一个快速且准确的尺度检测策略也能够更好保证跟踪过程的准确和快速性。

传统深度学习与相关滤波结合的跟踪算法都使用很大的基础网络进行训练，如VGGNet,GoogleNet等。由于上述模型参数过多，在尺度检测上一般采取利用平移滤波器在不同分辨率的目标多次重复预测目标的尺度变化，这样会极大限制跟踪的精度及速度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于神经网络的尺度自适应核相关滤波跟踪方法，旨在提高进行目标预测跟踪的精度及速度。

为实现上述目的及其他相关目的，本发明提供一种基于神经网络的尺度自适应核相关滤波跟踪方法，所述方法包括：

获取初始帧数据、目标区域以及所述目标区域参数信息，其中，所述目标区域参数信息至少包括所述目标区域的一个坐标点以及尺寸；

提取所述目标区域的至少两个层特征作为特征图；

将所提取的特征图转换到连续域；

通过最小化滤波器响应输出与期望输出的损失函数，计算有效卷积滤波器，并基于所述有效卷积滤波器进行目标位置预测；

基于尺度滤波器预测目标的尺度变化；

根据所述目标位置预测和所预测的目标尺度变化，获取预测的目标区域，找出滤波器在所述目标区域最大响应输出值，并利用分类器确定所述目标区域所属实例类别，联合滤波器在该区域最大响应输出值与所述分类器的输出判断目标是否跟丢。

本发明的一种实现方式中，所述联合滤波器在该区域最大响应输出值与所述分类器的输出判断目标是否跟丢丢的步骤，包括：

基于MobileNetV2网络训练一个多类别的分类器，计算并输出目标为每个类别的概率；

确定概率的最大值，将所述最大值确定为目标检测类别；

判断所述有效卷积滤波器的最大响应输出值是否大于阈值；

如果是，则表示目标没有丢失；

如果否，再判断所述目标检测类别与目标实际类别是否相符；

如果相符，则认为该目标没有丢失，如果不相符则认为该目标丢失。

本发明的一种实现方式中，所述基于尺度滤波器预测目标的尺度变化的步骤，包括：

计算尺度滤波器与训练样本特征图的运算结果；

计算与期望输出的均方误差；

通过最小化期望输出与计算结果的均方误差求得最优尺度滤波器，求得尺度滤波器的响应输出。