[发明专利]一种基于运动特征和相似度特征的抗遮挡跟踪算法

摘要

本发明涉及抗遮挡跟踪技术领域，且公开了一种基于运动特征和相似度特征的抗遮挡跟踪算法，包括以下步骤：A、Target‑目标图像：目标检测结果，不含多余背景区域，每帧都更新目标图像；B、Search region‑搜索区域。该基于运动特征和相似度特征的抗遮挡跟踪算法，该算法具备极高的遮挡鲁棒性，目标处于完全遮挡状态下，首先可以根据相似度信息筛除掉大部分的遮挡物，之后可以根据目标的运动朝向将不同运动轨迹的干扰筛除掉，再根据目标的运动速度信息可以筛除掉相同运动轨迹但是不同运动频率的遮挡目标，最后根据自身的运动信息预测出在当前帧中的位置，直到越过遮挡物之后再次使用相似度匹配出目标位置。

主权项

1.一种基于运动特征和相似度特征的抗遮挡跟踪算法，其特征在于，包括以下步骤：A、Target‑目标图像：目标检测结果，不含多余背景区域，每帧都更新目标图像；B、Search region‑搜索区域：是上一帧目标位置的外扩图，一般是长宽各外扩一倍，用上一帧中目标位置定位到当前帧中，并将宽高各外扩一倍得到的图像区域；C、SiamRPN net‑孪生网络：对目标图像和搜索区域分别通过卷积神经网络(CNN)进行特征提取，再从搜索区域中生成候选区域，最后匹配目标图像特征和这些候选区域，输出与每个候选区域的匹配度值以及对应的区域位置；D、Pose‑stage1：经过SiamRPN_net输出目标位置，这个是只用相似度特征预测出的目标位置，不是最终输出结果，还需要加上运动特征进行预测；E、dx，dy，w，h：将通过相似度特征预测出来的结果分为两部分，一个是目标相对上一帧中位置移动距离dx，dy，另一个是目标当前帧中预测出来的宽w和高h；F、LSTM‑长短期记忆网络：LSTM是一种循环神经网络，对于输入信息有选择的保留一部分在网络内，LSTM的输出是当前的输入以及之前多帧信息共同作用的结果，第一个分支中输入是dx，dy即目标的运动位移信息，通过目标位移信息的积累可以获取目标的运动速度信息，由于目标在相邻帧的位移较小，因此可以视为目标做匀加速运动；G、target_toward‑目标朝向：这个分支是直接从target单独训练一个分支，target是每帧都更新，创建一个预测目标朝向的分支，代入CNN网络提取最终的语义信息；H、pose_stage2：经过一个CNN网络，从输入的目标运动速度、目标形状、目标运动朝向三个信息中，提取抽象的语义信息，最终输出目标在当前帧的预测位置。