[发明专利]基于动态标签分配的孪生网络目标跟踪方法及移动设备

权利要求书

1.基于动态标签分配的孪生网络目标跟踪方法，其特征在于，包括步骤：

S1.获取与视频相关的视频数据集，并对获取的视频数据集进行处理，得到模板图像和待搜索区域图像；

S2.基于孪生网络提取模板图像和待搜索区域图像的深度特征，并计算提取的深度特征的特征响应图；

S3.根据计算得到的特征响应图，获得特征响应图所对应的分类得分和预测框坐标；

S4.根据获得的分类得分和预测框坐标，采用动态标签分配策略定义目标跟踪的正负样本特征点，并根据特征响应图与目标、背景的匹配对孪生网络进行优化，得到跟踪网络模型；

S5.将视频数据输入跟踪网络模型中，跟踪网络模型输出视频当前帧的跟踪结果；

所述步骤S4具体包括：

S41.构造视频跟踪数据的正负样本特征点集合；

S42.通过动态标签分配策略构建置信度函数，并基于构建的置信度函数计算每个样本特征点的置信度分数；

S43.根据计算得到的置信度分数，基于动态标签分配策略从特征点集合中挑选出高质量的正样本特征点；

S44.基于挑选的正样本特征点，对孪生网络的参数和视频跟踪数据的特征表示进行优化，得到跟踪网络模型；

所述步骤S42中计算每个样本特征点的置信度分数，表示为：

其中，b表示一个样本特征点；P和N分别表示正负样本特征点集合；S(b)表示特征点所对应的分类得分；IoU(R(b),g)表示特征点所预测的目标框与真实目标框之间的交并比；α表示平衡分类和回归误差的正则化因子。

2.根据权利要求1所述的基于动态标签分配的孪生网络目标跟踪方法，其特征在于，所述步骤S1中对获取的视频数据集进行处理具体为：

选择若干个公共视频数据集，对于每一个视频数据相对应的视频序列中的每一帧图像，以真实目标框中心点为中心，按照预设值对图像进行裁剪，得到模板图像和待搜索区域图像。

3.根据权利要求1所述的基于动态标签分配的孪生网络目标跟踪方法，其特征在于，所述步骤S2具体包括：

S21.将得到的模板图像和待搜索区域图像输入孪生网络中的特征提取网络中，并通过特征提取网络提取模板图像和待搜索区域图像的深度特征；

S22.利用深度互相关层计算模板图像和待搜索区域图像不同尺度下的特征响应图。

4.根据权利要求3所述的基于动态标签分配的孪生网络目标跟踪方法，其特征在于，所述步骤S41正负样本特征点集合的构造具体为：

判断视频跟踪数据的特征点是否处于真实目标框内，若是，则表示当前特征点需要预测相对应的目标框，即当前特征点为正样本特征点；若否，则表示当前特征点需要预测相对应的背景，即当前特征点为负样本特征点。

5.根据权利要求4所述的基于动态标签分配的孪生网络目标跟踪方法，其特征在于，所述步骤S43中从特征点集合中挑选出高质量的正样本特征点具体包括：

以正样本特征点置信度分数的中位数为阈值，将正样本特征点的置信度分数大于等于阈值的认定为高质量的正样本特征点；将正样本特征点的置信度分数小于阈值的认定为低质量正样本特征点。

6.根据权利要求5所述的基于动态标签分配的孪生网络目标跟踪方法，其特征在于，包括：步骤S43中的动态标签分配策略，表示为：

其中，Label表示动态标签分配策略；Threshold表示阈值；Confidence表示置信度分数；1表示正样本特征点的置信度分数大于阈值的标记；0表示负样本特征点的标记；-1表示正样本特征点的置信度分数小于阈值的标记。