[发明专利]一种基于孪生网络的智能汽车单目标跟踪方法

说明书

本发明公开了一种基于孪生网络的智能汽车单目标跟踪方法，将模板与待检测图像经由Mish‑channel‑dark网络构成的孪生网络提取后，得到其各自对应的特征信息，随后将特征信息输入至相似判断分支与质量评估分支，最后通过互相关计算确定相似度，并完成模板更新。其中Mish‑channel‑dark网络由mish卷积模块、m‑Residual模块、通道注意力模块以及结构体构成。本发明提高了跟踪算法的推理能力和抗干扰能力，加入了通道注意力(channel attention)模块，显著提高网络的跟踪精度，降低了目标消失再出现时检索对象的时间，有效的提高了网络的实用性。本发明设计的孪生网络性能较好，在部署时仅需较低配置即可达到较高的速度。

技术领域

本发明属于智能汽车视觉技术领域，特别涉及了一种基于孪生网络的智能汽车单目标跟踪方法。

背景技术

目标跟踪(object tracking)技术是指利用在给定某视频序列初始帧的目标大小与位置的情况下，确定后续帧中该目标的大小与位置。通过目标跟踪技术可以让计算机更充分的使用所获取的数据信息。与目标检测(object detection)不同的是目标跟踪不仅需要获取目标当前位置信息与分类信息，还需要根据相关算法分析出当前物体是否为之前所确定的物体，这也使得该任务具有非同寻常的研究价值。目标跟踪可以应用在无人驾驶当中，分析车辆或者行人的运动，通过预测轨迹判断是否存在安全隐患；以及监控人流密度大的区域，通过分析行人的行走路径判断是否有可疑人员等等。

目前单目标跟踪方法主要可以分为滤波类、深度学习类两类。其中滤波类因结构简单一度成为主流，但是随着研究的深入，滤波类跟踪方法的低精度的缺点愈发难以解决。与此同时，随着计算机算力的增强，数据集的扩展，对于卷积的研究深入，深度学习类单目标跟踪方法逐渐崭露头角。

孪生网络跟踪法是在深度学习的思想下所产生的一种新型的目标跟踪方法。通过学习人类的跟踪模式，利用计算机实现被跟踪者与检测图之间的特征信息对比，采用卷积网络的高速计算与神经网络的非线性运算，从而既保证了传统滤波类目标跟踪方法的速度又保证了跟踪时的精度。

从目前国内外学者主要研究内容看，智能汽车如何在行驶中保持对某一特定目标的跟踪是研究的热点。

发明内容

本发明针对道路行驶中的智能汽车对某一特定物体(行人、车辆等)的跟踪精度与速度问题，提出了一种新型的孪生网络单目标跟踪方法。技术方案如下：

一种基于孪生网络的智能汽车单目标跟踪方法，包括如下：

S1:设计mish卷积模块mish-convolutional；

S2:设计m-Residual模块；

S3:设计通道注意力模块；

S4：设计结构体；

S5：设计Mish-channel-dark部分与特征信号的多次提取；

S6：设置网络输入与特征的提取；

S7:进行相似性判断

S8:更新模板以及目标跟踪。

进一步，所述S1的实现包括如下：

mish卷积模块mish-convolutional包括一个卷积层(conv2d)、批量归一化(BN)层、mish激活层序列。

进一步，所述S2的实现包括如下：

所述m-Residual模块包括2个mish卷积模块与一个直连接层；

其中，一个mish卷积模块内部的卷积层的尺寸为1*1，另一个mish卷积模块内部的卷积层的尺寸为为3*3。

进一步，所述S3的实现包括如下：