[发明专利]基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法

说明书

本发明涉及图像处理与计算机视觉领域，更具体的说，涉及一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法。本方法包括：S1采用中心尺度预测算法模型进行目标检测，标记所有目标；S2采用K最邻近算法模型对待检测图像进行目标识别，确定特定目标；S3采用全卷积孪生神经网络掩膜算法模型进行特定目标跟踪。本发明提出的方法，使用一种基于卷积神经网络的中心尺度预测方法进行行人检测，使用K最近邻方法进行行人识别，使用基于孪生神经网络的跟踪方法进行行人跟踪，完成行人的检测识别跟踪的完整过程，对检测环境不敏感，检测、识别和跟踪的精度、成功率较高。

技术领域

本发明涉及图像处理与计算机视觉领域，更具体的说，涉及一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法。

背景技术

图像处理与计算机视觉领域的目标检测识别跟踪算法，特别是指行人检测、识别和跟踪算法。

行人检测是为了找出在当前帧中行人可能存在的区域，获得行人的位置以及尺度大小。

传统行人检测方法中常用的有背景减除法和基于形状的检测方法：

背景减除法将行人抽象为一类运动特征，通过滤掉背景将行人提取出来；

基于形状的检测方法通过判断提取的特征是否符合人形。

这类传统行人检测方法容易受到环境变化和图像分辨率的影响，前者需要从图像序列当中获取背景信息，不适用于对单帧图像当中的行人进行检测，后者对亮度的敏感度较大。

而基于学习特征的方法能够较好的处理这些问题。

YOLOv3(You Only Look Once version3，唯一观察)算法模型借鉴了FPN(特征金字塔网络)，采用多尺度对不同大小的目标进行检测，提高检测精度。

而Ren et al发表于2015年NIPS(神经信息处理系统大会)的文献《Towards Real-Time Object Detection with Region Proposal Networks》，提到Faster R-CNN算法模型采用卷积神经网络、ReLU(Rec-tified Linear Unit，线性修正单元)激活函数进行特征处理，并基于候选框方法实现行人检测。Faster R-CNN算法模型是上述论文中提出的概念，业界没有中文表述，均以Faster R-CNN指代，具体可见引用论文出处。

行人识别是指将采集到的行人信息与模板或者数据库相比对，获取行人的属性或者身份。

当前的行人识别算法一般有三类：特征表示学习，距离度量学习以及深度学习算法。

行人跟踪是指在一串图像序列中通过某种方法将指定目标的位置标记出来。

传统的跟踪方法有基于特征的方法、基于滤波的方法和基于学习特征的方法。

基于特征的方法：通过逐帧提取出跟模板相匹配的特征确定目标的位置，但是这种方法与传统的检测方法类似，对环境光度，图片清晰度的变化较为敏感。

基于滤波的方法跟上述方法相比的优势在于不需要模型的制作，计算效率较高，跟踪速度快，但是对于长时间遮挡的情况较难处理，例如核相关滤波(KCF)等。

基于学习特征的方法则能从图像当中提取出高级特征，其对环境的适应性比较好，例如卷积特征等等。

发明内容

本发明的目的是提供一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，解决现有技术对目标检测识别跟踪的精度低、成功率低、对检测环境较为敏感的技术问题。

为了实现上述目的，本发明提供了一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，包括：