[发明专利]一种基于深度时空孪生网络的目标跟踪方法

权利要求书

1.一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述方法包括：

获取预先生成的候选框，所述候选框通过将模板帧与搜索帧输入孪生网络模块获得特征图并根据特征图进行分类和回归生成；

将获取的候选框输入ST-LSTM和预测网络模块进行置信度计算，选取置信度得分最高的候选框；

将置信度得分最高的候选框输入细化回归网络模块，通过相关滤波细化目标位置，获得跟踪结果。

2.根据权利要求1所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述孪生网络模块包括：

上支路模块，用于使用卷积神经网络提取模板帧的特征，获得模板帧特征图；

下支路模块，用于使用卷积神经网络提取搜索帧的特征，获得搜索帧特征图；

处理模块，对获得的模板帧特征图、搜索帧特征图进行互卷积获得响应图，根据响应图生成候选框。

3.根据权利要求2所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述卷积神经网络包括5个卷积层和3个最大池化层，5个卷积层卷积核的大小依次为11×11、5×5、3×3、3×3和3×3，最大池化层池化核为2×2。

4.根据权利要求1所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述ST-LSTM和预测网络模块包括预训练的ST-LSTM网络与预测网络；

所述ST-LSTM网络用于对孪生网络模块中的目标信息进行收集，将历史信息与当前信息进行融合，获得具有历史感知的目标信息；

所述预测网络用于根据目标信息预生成多个区域提案中的候选者排名，输出候选框的得分。

5.根据权利要求4所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述预测网络包括三个全连接层，其中两个全连接层包括512个节点，剩余一个全连接层的输出为候选框的得分。

6.根据权利要求5所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述细化回归网络模块包括相关滤波层，所述相关滤波层用于处理根据候选框得分对其进行筛选后的候选框获得响应图，通过响应图细化搜索帧上的估计位置，回归跟踪结果。

7.根据权利要求6所述的一种基于深度时空孪生网络的目标跟踪方法，其特征在于，所述相关滤波层包括两个分别带有ReLU和LRN的卷积层。