[发明专利]一种单目标跟踪方法

说明书

本发明公开了一种单目标跟踪方法。所公开的方法包括：数据预处理；训练并获取深度神经网络模型得到初始跟踪网络模型；利用初始跟踪网络模型对目标进行跟踪并根据目标变化对模型进行在线实时更新确保跟踪路线的准确性。本发明可以实现对任意目标的跟踪，大大降低人工干预带来的效率低、误差大的问题，有效提高目标的跟踪效率。

技术领域

本发明属于计算机视觉领域，涉及图像处理和深度卷积神经网络算法，可应用于红外场景下的单目标跟踪。

背景技术

单目标跟踪是计算机视觉领域重要的研究方向，利用单目标跟踪技术可以获取一个视频序列内不同时间不同位置物体的轨迹信息，得到感兴趣目标时间和空间上的轨迹信息。

随着计算机技术的不断进步，GPU等专门针对视频数据计算设备的快速发展，以及深度学习技术的不断深入，单目标跟踪等视频分析技术已经不断成熟，除了在智慧城市建设中针对视频数据进行分析与处理，同时在其他方面也有广泛的使用。除此之外，很多其它领域也用到了单目标跟踪技术，例如在军事行动中使用相关设备跟踪目标嫌疑人的动向等。但是在目标跟踪方面依然存在很多尚未解决的难点，例如目标出现形变，尺度变化，局部和全部遮挡，光照改变等异常情况时跟踪的效果不理想，这些问题到目前为止还没有得到很好的解决。所以，对单目标跟踪进行研究具有很大的意义和广泛的前景。

首次将深度学习思想与目标跟踪进行结合的算法是DLT算法，该算法由香港科技大学王乃岩博士提出，并且后面还提出了改进后的SO-DLT算法，该算法主要使用了“离线预训练+在线微调”的思路，很大程度上解决了训练样本不足的问题。

2015年，目标跟踪算法的主体思路是利用大规模数据预训练好离线模型，来保证良好的特征提取能力，然后再利用得到的目标特征进行在线跟踪，很多方法就是使用VGG-Net等网络获得目标的特征表示，然后再通过不同的计算方法得到目标的位置。采用这种方式可以很大程度上缓解训练样本不足和模型训练时间过长等问题。例如发表于ICCV15的FCNT就是基于这种思路的实现，该方法利用了在ImageNet上预训练得到的CNN网络，然后设计了模型后面的结构，取得了不错的结果。

韩国研究者Hyeonseob Nam通过分析目标分类任务和跟踪任务的区别，提出了一种用视频序列进行多支路预训练网络模型的思路。2016年由Korea的POSTECH团队提出的MDNet也是使用了多域的思想。同年Luca Bertinetto提出了基于模板匹配思想的SiameseFC模型，通过相关性计算，将得到最大的响应点作为目标。2017年MartinDanelljan继C-COT之后又提出了ECO，该跟踪器通过对卷积操作的因式分解大幅提高的跟踪器的实时性，同时在模型更新以及样本筛选方面也做出了很多值得学习的优化措施。在实时性方面，ECO的另一个版本ECO-HC在CPU条件下可以达到60帧/秒的速度。

发明内容

针对现有技术的缺陷或不足，本发明的目的在于提供一种单目标跟踪方法。

本发明提供的单目标跟踪方法是对待跟踪视频中的各帧图像按照时间顺序依次进行跟踪，所述各帧图像处于同一坐标系，方法包括：

步骤一，对第一帧图像中的目标坐标进行标注，并在目标周围区域进行随机裁剪得到若干图像单元；以第一帧图像的所有图像单元为样本对神经网络进行训练，得到初始单目标跟踪模型；

步骤二，采用Step2.1至Ste2.3依次对第二帧至第N帧图像中的目标进行跟踪，N为大于3小于等于6的自然数；

Step2.1，以上一帧图像中的目标坐标作为当前帧图像中的目标，并在当前帧目标周围区域进行随机裁剪得到当前帧图像的若干图像单元；

Step2.2，将当前帧图像的所有图像单元输入初始单目标跟踪模型，采用初始单目标跟踪模型对当前帧图像中的目标进行跟踪，输出各图像单元的置信度和图像特征，将各图像单元的图像特征放入当前样本库中，样本库的初始为空；