[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

说明书

本发明提供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，方法包括：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，本发明中的目标跟踪识别网络的主干网络采用轻量化的MobileNet，MobileNet的卷积操作与标准卷积操作不同，在对图像信息进行特征提取时，能够大大减少计算量和模型参数量，提高了网络模型的处理速度。

技术领域

本发明涉及神经网络领域，更具体地，涉及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。

背景技术

视觉跟踪任务在诸如无人驾驶，场景感知探测，智能交通等领域有重要的应用。而随着硬件的不断升级换代，基于海量数据的深度学习方法被越来越的研究以及应用。依赖于复杂的模型设计以及大数据训练，基于卷积神经网络的目标跟踪算法在跟踪精度上相比传统的跟踪算法有较大优势，但是由于庞大的计算量，使其在边缘端设备部署上还存在难度。同样，目标遮挡以及相似目标的干扰，都极容易造成目标的丢失。

发明内容

本发明针对现有技术中存在的技术问题，提供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，能够大大减少计算量和模型参数量，提高了网络模型的处理速度。

根据本发明的第一方面，提供了一种基于轻量化目标跟踪网络的目标跟踪识别方法，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。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述MobileNet的基本单元为深度级可分离卷积，其卷积包括Depth-wiseconvolution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-wise convolution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。

可选的，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。

可选的，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；