[发明专利]基于调制器的自适应回归跟踪方法

说明书

本发明公开了一种基于调制器的自适应回归跟踪方法，所述方法包括如下步骤：步骤一、设计基于注意力的时空上下文网络，生成与时空上下文对应的仿射参数；步骤二、设计轨迹网络，产生与轨迹对应的仿射参数；步骤三、将步骤一和步骤二产生的两种参数融入到通用回归网络的各层参数中，自适应地调整通用回归网络的参数，使其对特定目标具有较高的响应。相比于现有技术，本发明具有如下优点：模型在跟踪过程中不需要效率低下的微调过程；上下文预测网络对过去帧中相关的重要时空背景进行编码，有助于从背景中区分目标；轨迹为当前帧中目标的定位提供了必要的先验知识。

技术领域

本发明涉及一种目标跟踪方法，尤其涉及一种基于调制器的自适应回归跟踪方法。

背景技术

输入搜索区域，回归跟踪的目的是通过计算目标的响应图来估计目标的位置，该响应图利用高斯函数生成。由于目标外观受到光照等干扰因素的影响，在跟踪过程中对模型进行更新是非常必要的。为此，深度回归跟踪通常使用数百次梯度下降迭代来微调模型。虽然这些跟踪器拥有不错的跟踪精度，但微调过程效率低下，并限制了跟踪器的处理速度，且处理速度往往是评估跟踪方法优劣的重要指标。

发明内容

为了规避效率低下的微调过程，并加速回归跟踪处理速度，本发明提供了一种基于调制器的自适应回归跟踪方法。

本发明的目的是通过以下技术方案实现的：

一种基于调制器的自适应回归跟踪方法，所述方法旨在利用CBN层对于特征的归一化(即均值和方差)来替代网络参数的微调过程，仅通过前馈传播就能够调整网络的参数。首先，设计了调制器一——时空上下文网络，生成通道级尺度参数g_c来调整通用回归模型不同通道的权重。其次，设计了调制器二——轨迹网络，生成元素级偏置参数b_c以在通用回归模型融入空间先验。最后，将CBN层嵌入到通用回归模型的各层特征之间，即通过来自适应地调整网络中各层的特征，免去了效率低下的微调过程，提升了网络的处理速度。具体包括如下步骤：

步骤一、设计基于注意力的时空上下文网络，生成与时空上下文对应的仿射参数，如图1所示，右侧为调制器一，即时空上下文网络，根据条件批量归一化层(CBN)其输出为1维向量，即利用时空上下文信息来生成通用回归网络各层特征的通道权重g_c，具体步骤如下：

(1)设计基于注意力的时空上下文网络，所述时空上下文网络包括3个PMD单元及其相应的注意力融合模块，其中：每个PMD单元的LSTM中的核大小为3×3，隐状态单元设置为64，且初始状态设置为0，每个PMD单元包含5个方向的长短时记忆，分别是时间方向、右方向、左方向、上方向和下方向；

(2)将各方向的信息融合得到S:

S＝[s^t-,s^h-,s^h+,s^w-,s^w+]^T；

之后，通过注意力融合模块对S中的信息进行融合：

其中，S′和S”分别表示通道注意力特征和空间注意力特征，是1维的通道注意力图，是2维的空间注意力图，是按位相乘操作；

(3)将S”输入1×1的卷积层获得与时空上下文对应的仿射参数g_c；

步骤二、设计轨迹网络，产生与轨迹对应的仿射参数，如图1所示，左侧为调制器二，即轨迹网络，根据条件批量归一化层(CBN)其输出为2维向量，即利用轨迹来生成通用回归网络各层特征的偏移b_c，具体步骤如下：