[发明专利]一种基于孪生神经网络的单目标跟踪方法

权利要求书

1.一种基于孪生神经网络的单目标跟踪方法，其特征在于包括如下步骤：

S1、获取模板图像和当前帧搜索图像。

S2、将模板图像和当前帧搜索图像分别送入训练好的siamfc++网络中，得到预测分类响应图、预测质量响应图和回归响应图；

S3、将预测分类响应图和预测质量评估响应图进行点乘得到预测概率图；

S4、获取预测概率图最大响应点所对应的回归响应图上坐标值，作为预测目标的坐标值，将预测目标的坐标值映射到搜索图像对应的坐标系下，得到目标的位置。

2.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述siamfc++网络为孪生神经网络，所述孪生神经网络包括类别预测分支、预测质量评估分支，边框回归分支；

模板图像和搜索图像输入至类别预测分支后，得到模板图像和搜索图像的分类特征图，模板图像和搜索图像的分类特征图进行卷积操作，得到分类响应图；

模板图像和搜索图像输入至预测质量评估分支后，得到模板图像和搜索图像的预测质量评估特征图，模板图像和搜索图像的预测质量评估特征图进行卷积操作，得到质量评估响应图；

模板图像和搜索图像输入至边框回归分支后，得到模板图像和搜索图像的回归特征图，模板图像和搜索图像的回归特征图进行卷积操作，得到回归响应图。

3.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述siamfc++网络的训练方法如下：

S1.1、从LaSOT数据集中获取裁剪后的模板图像和搜索图像；

S1.2、将裁剪后的模板图像和搜索图像输入至siamfc++网络，得到预测分类响应图、预测质量响应图和回归响应图；

S1.3、预测分类响应图、预测质量响应图和回归响应图，分别计算类别预测分支、预测质量评估分支，边框回归分支的损失函数；

S4、将三支路损失函数的总和作为siamfc++网络总的损失函数，使用随机梯度下降算法进行损失优化，得到使得siamfc++网络总的损失函数达到最小值，从而确定siamfc++网络的参数。

4.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述边框回归分支采用GIOU函数作为损失函数。

5.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述类别预测分支采用梯度模长作为损失函数，该损失函数公式如下：

式中，N为分类响应图中的特征点数；i为分类响应图中的特征点序号，即类别预测分支模型样本的序号；GD(g_i)为类别预测分支模型第i个样本的梯度密度。

6.根据权利要求5所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述梯度密度GD(g_i)的计算公式为：

式中，δ_ε(g_k,g_i)为1或者0，当第k个样本的梯度模长g_k分布在范围内时，δ_ε(g_k,g_i)为1，否则δ_ε(g_k,g_i)为0；l_ε(g_i)代表了区间的长度，即ε。

7.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述梯度模长g_i的计算公式如下：

其中，是类别预测模型的预测概率，的取值为0或1，是训练集样本的标签。

8.根据权利要求1所述的一种基于孪生神经网络的单目标跟踪方法，其特征在于所述质量评估分支采用BCE-loss作为损失函数。