[发明专利]一种基于MDNet的改进车辆跟踪方法及系统

权利要求书

1.一种基于MDNet的改进车辆跟踪方法，其特征在于，包括以下步骤：

对获取的视频序列进行预处理后，输入到Mask R-CNN神经网络中进行实例分割，得到要跟踪车辆目标的候选区域；

利用获得的要跟踪车辆目标的候选区域作为输入，利用MDNet网络进行目标跟踪，具体为：

当预测视频序列每一帧目标的状态时，先根据前一帧预测的目标位置生成符合高斯分布的多个候选区域正样本和负样本，然后根据MDNet网络得到正样本和负样本的得分，找出目标得分最高的候选区域样本为当前最优目标状态；

对所有候选区域样本的得分取平均值，与预设阈值进行对比，当所有候选区域样本的得分大于预设阈值时，判断目标跟踪成功，否则，目标跟踪失败。

2.如权利要求1所述的基于MDNet的改进车辆跟踪方法，其特征在于，采用随机梯度下降方法训练MDNet的卷积神经网络，每次迭代到第一个视频序列时，依次取N₁帧，然后在这N₁帧中，每一帧取M₁个正样本和M₂个负样本的边界框，包括N₁*M₁个正样本，N₁*M₂个负样本，所有正样本和负样本组成一个小批量，将实例分割得到的分割结果统一为A*A作为网络的输入。

3.如权利要求1所述的基于MDNet的改进车辆跟踪方法，其特征在于，所述MDNet神经网络采用RReLU激活函数，根据训练轮数设置动态变化的学习率，在刚开始训练时，距离最优解较远时采用大的学习率，随着迭代次数的增加，在逼近最优解的过程中，逐渐减小学习率。

4.如权利要求1所述的基于MDNet的改进车辆跟踪方法，其特征在于，对所有候选区域样本取平均生成当前帧的目标边界框，如果跟踪成功，进行边界框的微调，根据当前帧预测的目标边界框生成多个正样本区域和负样本区域，分别对样本区域进行前向传播，保存这些区域的第三卷积层卷积特征。

5.如权利要求2所述的基于MDNet的改进车辆跟踪方法，其特征在于，如果视频帧数超过第一预设数量则抛弃第一预设数量之前的帧的正样本区域，视频帧数若超过第二预设数量则抛弃第二预设数量之前的帧的负样本区域。

6.如权利要求2所述的基于MDNet的改进车辆跟踪方法，其特征在于，若跟踪失败，进行短时更新，选择最近预设帧数的正样本和负样本，然后进行迭代训练预设轮数；

每次迭代随机抽取S个正样本的第三卷积层特征和T₁个负样本的第三卷积层特征，构成一个小批量，将T₁个负样本放入MDNet网络中，做预设次数的循环，计算得分；

然后从T₁个负样本中挑选出T₂个计算目标得分最大的作为困难负样本，分别计算正样本的得分和困难负样本的得分，前向传播计算损失，进行MDNet网络的参数优化。

7.如权利要求2所述的基于MDNet的改进车辆跟踪方法，其特征在于，输入到Mask R-CNN神经网络中进行实例分割，具体为：

视频序列输入网络后获得对应的特征图，在特征图中得到多个候选识别区域；

将这些候选的候选识别区域送入RPN网络进行二值分类，过滤掉不符合要求的候选识别区域；

利用RPN网络得到部分候选识别区域坐标，将坐标输入ROI Pooling，输出B*B大小的特征图供分类和定位使用，将剩余的候选识别区域进行ROIAlign操作。