[发明专利]一种基于多层深度特征提取的目标跟踪算法

说明书

本发明公开了一种基于多层深度特征提取的目标跟踪算法，涉及图像处理技术领域，包括如下步骤，S1：图像输入；S2：提取特征图；S3：获取最佳匹配模板；S4：更新最佳匹配模板；S5：重复步骤S4，直到完成当前视频的目标跟踪；所述S2具体为，根据第一帧图像中目标的位置和尺寸信息，利用深度神经网络提取多层样本特征图，本发明利用深度神经网络提取多层深度特征作为样本的外观表达，来进行目标跟踪，以获取目标多层深度特征，减少了参数数量，提高了目标跟踪过程的准确性和鲁棒性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多层深度特征提取的目标跟踪算法。

背景技术

目标跟踪技术是近年来计算机视觉领域中的主要研究方向之一，广泛应用于自动驾驶、智能监控和人机交互等方面。目标跟踪主要是指根据视频第一帧给出的目标位置信息，在之后每一帧中找出该目标位置。

近年来，随着深度学习在计算机视觉方面的研究持续加深，利用深度神经网络与目标跟踪算法结合的目标跟踪算法研究也越来越多。

很多基于深度特征提取的算法，并没有从更深层的深度神经网络中取得优势，提取到的特征参数数量过大，更加大了过拟合的风险，从而降低了目标跟踪算法的跟踪准确率。

发明内容

本发明所要解决的技术问题是：如何减少参数数量，提高目标跟踪过程的准确性和鲁棒性。

针对上述技术问题本发明提供了一种基于多层深度特征提取的目标跟踪算法，包括如下步骤，

S1：图像输入；

S2：提取特征图；

S3：获取最佳匹配模板；

S4：更新最佳匹配模板；

S5：重复步骤S4，直到完成当前视频的目标跟踪；

所述S2具体为，根据第一帧图像中目标的位置和尺寸信息，利用深度神经网络提取多层样本特征图，通过深度神经网络的优势，获得了更精确的跟踪效果。

更进一步的，所述S1具体为，

输入需要进行跟踪的视频序列；

在第一帧图像中初始化目标的位置和尺寸信息。

更进一步的，所述S2还包括，对特征图进行自适应PCA处理，通过采取自适应的PCA算法来减少特征参数，能根据不同视频序列自适应地选取合适的特征维数，PCA选取有效的特征维数，能够减少参数，从而降低算法过拟合的风险，提高鲁棒性。

更进一步的，所述S3具体为，

以特征图目标中心为高斯标签峰值；

通过ADMM算法得到最佳匹配模板。

更进一步的，所述S4具体为，

S41：输入下一帧图像；

S42：获得多尺寸多层深度特征图；

S43：与最佳模板匹配，得到图像的目标位置和目标尺度；

S44：更新最佳匹配模板。

更进一步的，所述S42具体为，

以上一帧图像目标中心位置为中心，提取不同尺寸图像的样本特征图；

对特征图进行自适应PCA处理。

更进一步的，所述S43具体为，

将多尺寸特征图与最佳匹配模板进行相关匹配，得到多尺度的置信分数图；

选出置信分数最高的尺度对应的置信分数图；