[发明专利]一种基于新型响应图融合的目标跟踪方法

权利要求书

1.一种基于新型响应图融合的目标跟踪方法，其特征在于，包括如下步骤：

1)以给定的第一帧目标物体的位置为中心，裁剪出一个搜索区域块，并用高斯函数生成相应的训练标记图，进行深度回归模型的训练，通过梯度下降法迭代训练深度回归模型使得预设的损失函数最小，得到训练好的深度回归模型；

2)以前一帧预测的目标物体的位置为中心，裁剪出与步骤1)同样大小的搜索区域块，输入训练好的深度回归模型，经过特征提取和响应图融合生成最终的响应图，搜索响应图的最大值即代表预测的目标物体的位置；

3)当获得目标物体的位置之后，对目标物体的大小进行尺度估计，以应对跟踪过程中目标物体的尺寸变化；

4)为适应目标物体在运动过程中的外观变化，由历史帧的搜索区域块和对应的训练标记图，对深度回归模型进行更新，并重复步骤1)～步骤3)预测后续每一帧中目标的位置和尺寸。

2.根据权利要求1所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，步骤1)所述的用高斯函数生成相应的训练标记图是采用如下公式：

其中，x₀、y₀是搜索区域块中目标物体中心点的横纵坐标，x、y是搜索区域块中其他点的横纵坐标，σ_x、σ_y是与目标物体的长和宽成比例的方差。

3.根据权利要求1所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，步骤1)所述的深度回归模型是输入为裁剪得到的搜索区域块，输出为响应图，整个模型包括特征提取和响应图融合两部分，特征提取是使用深度模型中的VGG16进行提取，并生成响应图，响应图融合是使用新型响应图融合方法，即双线性融合方法进行融合。

4.根据权利要求3所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，所述的特征提取是使用深度模型中的VGG16进行提取，是提取卷积层conv4_3和卷积层conv5_3的特征，保留VGG16的前两个池化层，卷积层conv4_3和卷积层conv5_3的特征相加得到特征F1，将conv5_3本身作为特征F2；所述的生成响应图，是将特征F1和特征F2分别通过两个卷积层，得到响应图R1和响应图R2，最后响应图R1和响应图R2通过双线性融合的方法得到最终的响应图B。

5.根据权利要求3所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，所述的双线性融合方法，具体如下：

设定f、g是成对的响应图向量，f、g必须具有相同的空间分辨率大小，维度相同，设定和其中w、h分别代表响应图的宽和高，n是维度大小；对于每个点则和表示实数集，双线性融合运算是外积操作，公式如下，

B(l,f,g)＝f(l)^Tg(l)

结果，得到融合后的响应图向量B输出维度大小是输入维度的平方n²，因此，双线性融合操作不会损失空间分辨率，T表示向量f的转置。

6.根据权利要求1所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，步骤1)所述的预设的损失函数L_reg具体为：

L_reg＝||W*X-Y||²+λ||W||²

其中，X表示输入的搜索区域块的特征，Y表示由搜索区域块中每个点x、y通过高斯函数生成的训练标记图，*表示卷积操作，W表示卷积层的权重，λ表示正则化系数，防止模型过拟合，当损失函数最小或迭代次数超过上限，训练过程结束，得到训练好的深度回归模型。

7.根据权利要求1所述的一种基于新型响应图融合的目标跟踪方法，其特征在于，步骤3)所述的对目标物体的大小进行尺度估计，包括：

当获得目标物体的位置之后，按照相同比例裁剪出不同尺度的搜索区域块，比例是其中S是用于尺度估计的搜索区域块的个数，η是递增因子；然后把不同尺度的搜索区域块归一化为固定的尺度，将归一化为固定的尺度送入训练好的深度回归模型分别生成响应图，最终的目标尺寸由响应结果中的最大值决定；第t帧时目标物体的宽和高w_t、h_t按照以下公式进行更新：

其中分别表示在目标物体的中心位置处，响应图具有最大值时对应的目标物体的宽和高，w_t-1、h_t-1是前一帧的宽和高，β是尺度因子，让更新的过程更加光滑。