[发明专利]基于特征图分割和自适应融合的深度学习目标跟踪方法

说明书

基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。

技术领域

本发明属于人工智能领域，具体涉及一种基于特征图分割和自适应融合的深度学习目标跟踪方法。

背景技术

目标跟踪是指对于给定的视频和其第1帧中的跟踪目标，在后续帧中连续地定位出该目标位置。目标跟踪在安防视频监控、无人机侦察、军事目标跟踪、军事打击、病人监管、智能交通等很多领域具有广泛的应用。传统的目标跟踪方法包括基于均值漂移的目标跟踪方法、基于粒子滤波的目标跟踪方法、基于稀疏编码的目标跟踪方法和基于相关滤波的目标跟踪方法。随着人工智能技术的不断发展，以及深度学习技术在图像处理、语音识别、自然语言处理等一系列应用中取得成功，深度学习逐步引起目标跟踪研究者的关注和重视，出现了基于深度学习的目标跟踪方法。与传统跟踪方法相比，基于深度学习的方法在跟踪准确性上具有较大的优势，但是，当目标被遮挡或发生形变时，容易导致跟踪目标丢失，从而导致整体跟踪性能下降。因此，如何有效地处理遮挡和形变问题，是基于深度学习的目标跟踪中的一项重要挑战。

发明内容

针对现有技术存在的问题，本发明提供一种基于特征图分割和自适应融合的深度学习目标跟踪方法，其目的在于利用深度学习技术以及特征图分割和自适应融合方法，提高对于被遮挡和发生形变的目标进行跟踪的准确性，从而提高目标跟踪的整体性能。

为实现上述目的，本发明采用以下技术方案：

一种基于特征图分割和自适应融合的深度学习目标跟踪方法，包括以下步骤：

(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；

(2)构建基于特征图分割和自适应融合的深度学习网络模型，用于实现目标跟踪；其中，所述模型的结构包括孪生的模板和搜索区域特征提取器、模板特征图分割器、中心特征图分割单元重构器、连接响应图生成器、自适应融合权重生成器和自适应融合器；

(3)基于步骤(1)获得的训练样本对和响应图标签，对步骤(2)所构建的深度学习网络模型进行训练，得到训练好的模型参数；将所述的深度学习网络模型的结构和训练好的参数在磁盘上进行存储，获得目标跟踪模型；

(4)对于待跟踪的视频，在确定其第1帧中跟踪目标的基础上，处理出模板图像(对于第1帧)和与3个尺度相应的搜索区域图像(对于后续的待跟踪的每一帧)；

(5)加载由步骤(3)获得的目标跟踪模型，并将步骤(4)获得的模板图像的3个拷贝和后续的待跟踪的每一帧对应的与所述3个尺度相应的搜索区域图像形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频中后续每一帧跟踪的目标位置。

所述的一种基于特征图分割和自适应融合的深度学习目标跟踪方法，其中：

所述步骤(1)，对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；具体步骤包括：

(1.1)生成由模板图像和搜索区域图像构成的训练样本对；

首先，对每个训练视频进行预处理，对于其每一帧中的每个目标，生成以目标位置为中心的模板图像z和搜索区域图像x；