[发明专利]一种基于轻量化目标跟踪网络的目标跟踪识别方法及系统

权利要求书

1.一种基于轻量化目标跟踪网络的目标跟踪识别方法，其特征在于，包括：

将待跟踪识别图像信息输入预设目标跟踪识别网络中，获取所述目标跟踪识别网络输出的待跟踪识别图像信息中的多个第一目标预测候选框；

基于候选区域选择策略，从多个第一目标预测候选框中确定出最终目标预测框；

其中，所述目标跟踪识别网络包括主干网络和区域生成网络，所述主干网络用于提取待跟踪识别图像信息的特征，所述区域生成网络用于输出多个目标预测候选框；所述主干网络采用轻量化的MobileNet。

2.根据权利要求1所述的目标跟踪识别方法，其特征在于，所述MobileNet的基本单元为深度级可分离卷积，其卷积包括Depth-wise convolution和point-wise convolution，所述depth-wise convolution针对每个输入通道采用不同的卷积核，point-wiseconvolution采用1x1的卷积核的卷积；

所述depth-wise convolution对不同输入通道分别进行卷积操作，获取输出的多个卷积结果；所述point-wise convolution对所述多个卷积结果进行结合。

3.根据权利要求1所述的目标跟踪识别方法，其特征在于，所述基于候选区域选择策略，从多个第一目标预测候选框中确定出最终目标预测框，包括：

以上一帧图像信息的最终目标预测框的中心点为基准，从待跟踪识别图像信息识别的多个第一目标候选预测框中保留其中心点与上一帧图像信息的最终目标预测框的中心点的距离小于预设距离值的多个第一目标候选预测框，作为多个第二目标候选预测框；

使用余弦窗口和缩放变换惩罚项对多个第二目标候选预测框进行排序，保留排序靠前的多个第二目标候选预测框，作为第三目标候选预测框；

使用非极大值抑制法从多个第三目标候选预测框中确定最终目标预测框。

4.根据权利要求1-3任一项所述的目标跟踪识别方法，其特征在于，通过如下方式对所述目标跟踪识别网络进行训练：

获取目标跟踪识别网络的训练数据集，所述训练数据集包括多个图像序列，每个图像序列中包括多帧图像信息，同一个图像序列中包含的目标类型相同，不同图像序列中包含的目标类型不同；

依次基于每一个图像序列对所述目标跟踪识别网络进行训练；

其中，随机获取所述目标跟踪识别网络的初始化参数，基于第一个图像序列对所述目标跟踪识别网络进行训练，计算出所述目标跟踪识别网络的第一更新网络参数，将所述第一更新网络参数作为第二个图像序列的初始化参数，基于第二个图像序列对所述目标跟踪识别网络进行训练，计算出所述目标跟踪识别网络的第二更新网络参数，以此类推，直到训练数据集中的所有的图像序列均训练完毕，计算得到所述目标跟踪识别网络的最终网络参数。

5.根据权利要求4所述的目标跟踪识别方法，其特征在于，所述基于第一个图像序列对所述目标跟踪识别网络进行训练，计算出所述目标跟踪识别网络的第一更新网络参数，包括：

随机初始化获取所述目标跟踪网络的初始化网络参数θ₀，将第一个图像序列中第一帧图像信息x₁，输入目标跟踪识别网络，得到输出特征f(x₁)；

将初始化网络参数θ₀与输出特征f(x₁)卷积运算，得到目标位置的响应图R(x₁)；

根据目标位置的响应图R(x₁)与真实标签y(x₁)之间的偏差，反向求导计算对应的分类损失函数L₁；

将除去第一帧图像信息外其他帧图像信息作为测试帧，求得每一测试帧的分类损失函数L_i，i表示图像序列中的第i帧；

对第一个图像序列中的所有帧图像信息对应的分类损失函数L_i进行求和，根据求和结果和初始化网络参数θ₀，计算得到所述目标跟踪识别网络的第一更新网络参数。