[发明专利]孪生网络基于局部可信模板进行模板更新的视频跟踪方法

权利要求书

1.一种孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：包括以下步骤：

(1)读取待跟踪的视频序列，确定视频序列中图像的总帧数K；

(2)获取步骤(1)视频序列中的初始帧图像，根据初始帧图像确定被跟踪目标,获得跟踪目标在初始帧图像中的目标框，以目标框中心为中心放大w倍，作为下一帧图像的搜索框；

(3)通过卷积神经网络分别提取步骤(1)视频序列中各帧图像的图像特征，构成各自图像的特征图，各帧图像的特征图作为各自图像的模板，由各帧图像的特征图对应生成各自的响应图，由响应图计算峰距率；其中，初始帧图像的特征图作为初始模板，并作为下一帧图像的目标模板；

(4)读取第t帧图像，t为大于1的自然数，根据第t帧的目标模板确定目标在本帧搜索框中的位置，得到目标在第t帧图像中目标框，完成第t帧图像的目标跟踪；第t帧图像的模板为当前模板，以目标框中心为中心放大w倍，作为下一帧图像的搜索框；

(5)判断步骤(4)中t是否大于m，m为设定的自然数，

t≤m时，将初始模板、累积模板与和当前模板输入深度学习模型进行模板更新,将更新的模板作为第t+1帧图像的目标模板；累积模板为初始模板与当前模板之间的模板；

t＞m时，将m帧图像按峰距率由大到小排列，m帧图像的帧数所在区间为[t-m-1，t-1]，选择前n帧图像对应的各自模板为局部最优模板，n为小于m的自然数，局部最优模板根据各自的自适应权重进行融合，得到自适应融合模板，将自适应融合模板与当前模板输入深度学习模型进行模板更新，将更新的模板作为第t+1帧图像的目标模板；

(6)步骤(5)后，计算t＝t+1，判断t是否小于K，小于则重复步骤(4)，否则完成目标跟踪。

2.按照权利要求1所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(3)中，由特征图生成响应图的具体方法为：

R_t为第t帧图像的响应图，b₁为神经网络模型的随机量，★为卷积运算互相关操作，为初始帧图像的特征图，/为第t帧图像的特征图。

3.按照权利要求1所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(3)中，由响应图计算峰距率的方法为：

PRR_t为第t帧图像的峰距率，R_t为第t帧的响应图，max(R_t)表示R_t的最大值，min(R_t)表示R_t的最小值。

4.按照权利要求3所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(5)中，自适应权重的确定方法为：

/

ω_t为当前模板的自适应权重，ω_j为局部最优模板的自适应权重，为局部可信模板中第j个模板对应的峰距率。

5.按照权利要求4所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(5)中，自适应融合模板的获得方法为：

表示自适应融合模板，T_t为当前模板。

6.按照权利要求5所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(5)中，

t≤m时，深度学习更新方法为：

t＞m时，深度学习更新方法为：

T_t+1为深度学习后得到的模板，模板φ为深度学习函数，为初始模板。

7.按照权利要求1至6任一所述的孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法，其特征在于：步骤(2)中，根据groundtruth确定初始帧图像中的被跟踪目标。