[发明专利]一种基于孪生网络的视觉跟踪算法及多模板更新策略

权利要求书

1.一种多模板更新策略方法，所述方法应用于一种基于孪生网络的视觉跟踪算法，所述算法包括孪生子网络、预测网络和损失函数的设计，其中，所述视觉跟踪算法包括： 利用孪生子网络提取特征，所述特征包括模板特征、搜索特征； 利用可分离卷积衡量所述模板特征与搜索特征每个通道上模式的相关度，获得响应特征图； 通过预测网络的分类子网络融合所述响应特征图的通道信息，获得预测类别； 通过预测网络的回归子网络对所述响应特征进行融合，输出每个位置坐标的偏移量，其中，所述回归子网络采用尺度正则化的交并比损失函数来训练网络参数，其中包括：回归损失函数由IoU损失和尺度正则化项构成，公式为

，其中表示欧式距离，和分别表示预测框的宽度和高度，和表示真值框的宽度和高度，和则表示最小外接矩阵的宽度和高度，表示正则化系数；

其中，所述多模板更新策略方法包括：

预设模板池基数；

获得跟踪过程中的目标外观状态信息；

根据所述预设模板池基数、所述目标外观状态信息，构建模板池，其中包括：根据所述模板池，获得模板池中每个元素的相关能量指标；根据所述模板池元素相关能量指标，获得模板池能量指标均值；获得当前帧的类别响应图的相关能量指标；获得预设能量阈值；根据所述预设能量阈值、所述模板池能量指标均值，获得模板池更新能量标准值；当所述当前帧响应图的相关能量指标超出所述模板池更新能量标准值时，获得第一更新指令，所述第一更新指令用于将所述当前帧检测的目标状态特征添加至所述模板池中；

获得初始模板；

将所述初始模板作为第一查询量，对所述模板池进行元素检索，获得第一模板，所述第一模板用于辅助所述初始模板，其中包括：分别计算所述初始模板与所述模板池中每个元素的相似度；根据所有相似度，获得第一相似度，所述第一相似度为最小相似度；根据所述第一相似度，获得模板池元素；根据所述模板池元素，获得所述第一模板；

分别计算所述初始模板、所述第一模板与搜索特征的相关滤波，获得初始模板相关度、第一模板相关度；

通过预测网络的分类子网络和回归子网络对所述初始模板相关度和第一模板相关度进行预测，并在输出端进行融合，输出最终预测值。

2.如权利要求1所述的多模板更新策略方法，其中，所述获得第一更新指令之后，包括：

判断所述模板池的元素数量是否超出所述预设模板池基数；

当超出时，获得第一删除指令，所述第一删除指令用于将所述模板池中保存时间最长的模板进行删除。

3.如权利要求1所述的多模板更新策略方法，其中，所述最终预测值为所述初始模板输出预测值与所述第一模板输出预测值的加权平均。

4.一种基于孪生网络的视频跟踪器，其中，所述视频跟踪器采用权利要求1-3任一所述多模板更新策略方法进行模板更新。

5.一种基于孪生网络的视觉跟踪系统，所述系统采用权利要求1-3任一所述多模板更新策略方法进行模板更新，其中，所述系统包括：

第一提取单元，所述第一提取单元用于利用孪生子网络提取特征，所述特征包括模板特征、搜索特征；

第一获得单元，所述第一获得单元用于利用可分离卷积衡量所述模板特征与搜索特征每个通道上模式的相关度，获得响应特征图；

第二获得单元，所述第二获得单元用于通过预测网络的分类子网络融合所述响应特征图的通道信息，获得预测类别；

第三获得单元，所述第三获得单元用于通过预测网络的回归子网络对所述响应特征进行融合，输出每个位置坐标的偏移量，其中，所述回归子网络采用尺度正则化的交并比损失函数来训练网络参数。

6.一种基于孪生网络的视频跟踪系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-3所述多模板更新策略方法的步骤。