[发明专利]一种单目标跟踪方法

摘要

本发明公开了一种单目标跟踪方法。所公开的方法包括：数据预处理；训练并获取深度神经网络模型得到初始跟踪网络模型；利用初始跟踪网络模型对目标进行跟踪并根据目标变化对模型进行在线实时更新确保跟踪路线的准确性。本发明可以实现对任意目标的跟踪，大大降低人工干预带来的效率低、误差大的问题，有效提高目标的跟踪效率。

主权项

1.一种单目标跟踪方法，其特征在于，对待跟踪视频中的各帧图像按照时间顺序依次进行跟踪，所述各帧图像处于同一坐标系，方法包括：/n步骤一，对第一帧图像中的目标坐标进行标注，并在目标周围区域进行随机裁剪得到若干图像单元；以第一帧图像的所有图像单元为样本对神经网络进行训练，得到初始单目标跟踪模型；/n步骤二，采用Step2.1至Ste2.3依次对第二帧至第N帧图像中的目标进行跟踪，N为大于3小于等于6的自然数；/nStep2.1，以上一帧图像中的目标坐标作为当前帧图像中的目标，并在当前帧目标周围区域进行随机裁剪得到当前帧图像的若干图像单元；/nStep2.2，将当前帧图像的所有图像单元输入初始单目标跟踪模型，采用初始单目标跟踪模型对当前帧图像中的目标进行跟踪，输出各图像单元的置信度和图像特征，将各图像单元的图像特征放入当前样本库中，样本库的初始为空；/nStep2.3，采用RPN网络对置信度可靠的图像单元进行目标尺度估计，得到当前帧图像的目标坐标；/n步骤三，采用Step3.1至Step3.4依次对第N+1帧至N+n帧图像中的目标进行跟踪，n为大于2小于等于6的自然数；/nStep3.1，以上一帧图像中的目标坐标作为当前帧图像中的目标，并在目标周围区域进行随机裁剪得到当前帧图像的若干图像单元；/nStep3.2，将当前帧图像的所有图像单元输入当前单目标跟踪模型，采用当前单目标跟踪模型对当前帧图像中的目标进行跟踪，输出各图像单元的置信度和图像特征，将各图像单元的图像特征放入当前样本库，/nStep3.3，以当前帧以前的图像的所有置信度作为参照，采用LOF算法对Step3.2得到的图像单元置信度的均值进行检测，得到异常样本的概率值，概率值大于等于第一阈值时Step3.2得到的置信度可靠的的图像单元为正常样本，小于第一阈值时Step3.2得到的置信度可靠的图像单元为异常样本；第一阈值取值范围为大于0小于1；/nStep3.4，采用RPN网络对Step3.2得到的置信度可靠的图像单元进行目标的尺度估计，得到当前帧图像的目标坐标，Step3.2得到的置信度可靠的图像单元为异常样本时所采用的RPN网络候选框个数大于Step3.2得到的置信度可靠的图像单元为正常样本时所采用的RPN网络候选框个数；/n步骤四，采用K-Means算法对当前样本库的样本进行更新，然后利用更新后的样本库对当前单目标跟踪模型进行训练更新；/n步骤五，循环执行步骤三和步骤四对第N+n+1帧及其以后的视频帧中的目标进行跟踪直至完成对待跟踪视频的跟踪，每次循环所用单目标跟踪模型为上一次更新所得到的新的单目标跟踪模型。/n