[发明专利]基于多分类器的目标跟踪方法、设备和存储介质

摘要

本发明公开了一种基于多分类器的目标跟踪方法、设备和存储介质，其中目标跟踪方法包括：1、建立第一特征提取网络和第二特征提取网络并进行预训练；2、构建离线训练样本集、离线分类器，离线giou预测器，并进行离线训练；3、构建在线分类器、根据视频第一帧图像生成待跟踪目标模板tgt和在线训练样本集，对在线分类器进行训练；4、根据离线分类器和在线分类器对当前视频帧进行粗定位；5、利用离线giou预测器判断是否要更新搜索区域；6、利用离线giou预测器对当前视频帧进行精确定位；7、持续对视频后续帧中的目标进行跟踪，直到跟踪结束。该方法通过结合泛化性强的离线分类器和针对性强的在线分类器，能够得到跟踪精度高的跟踪效果。

主权项

1.基于多分类器的目标跟踪方法，其特征在于，包括如下步骤：/n(1)建立第一特征提取网络和第二特征提取网络，所述第一特征提取网络和第二特征提取网络均为基于CNN的特征提取网络；对第一特征提取网络和第二特征提取网络进行预训练；/n(2)构建离线训练样本集、离线分类器，离线giou预测器；/n所述离线训练样本集中的样本为示例目标图像、示例目标裁剪图像、包含所述示例目标的原始图像构成的图像组合；所述原始图像中示例目标处于中心位置，且原始图像的面积是示例目标面积的4倍；所述示例目标裁剪图像为示例目标图像裁剪背景后的图像；/n所述离线分类器用于计算待跟踪目标在搜索区域上不同位置处的离线相似度得分图；/n所述离线giou预测器用于计算待跟踪目标与粗略定位位置的相似度P_giou(Pc(k))；/n(3)离线训练：采用离线训练样本对所述离线分类器和所述离线giou预测器同时进行训练，训练目标为最小化损失函数：L＝L_d+L_g；/n其中L_d为离线分类器的损失函数；L_g为离线giou预测器的损失函数；/n(4)构建在线分类器、根据视频第一帧图像生成待跟踪目标模板tg_t和在线训练样本集，对在线分类器进行训练；/n所述在线定位分类器用于计算待跟踪目标在视频图像搜索区域上不同位置处的在线相似度得分图；/n(5)对视频第k帧图像进行在线目标跟踪，k>1，包括：/n(5.1)根据k-1帧图像的跟踪结果获取第k帧图像的搜索区域R_k；/n(5.2)粗定位：根据待跟踪目标模板和R_k计算离线相似度得分图S_d(k)与在线相似度得分图S_on(k)，并进行融合，得到综合得分图；综合得分图中得分最大的像素位置为待跟踪目标粗定位中心位置；根据k-1帧图像中得到的待跟踪目标的大小，得到待跟踪目标粗略位置Pc(k)＝[x₁,y₁,x₂,y₂]，其中(x₁,y₁)和(x₂,y₂)分别为目标外部矩形的左上角和右下角在图像中的坐标值；/n(5.3)利用离线giou预测器计算待跟踪目标模板与粗略定位位置Pc(k)的相似度P_giou(Pc(k))，如果P_giou(Pc(k))小于预设的相似度阈值giou_th，扩大搜索区域R_k，重新执行步骤(5.1)进行粗定位；/n(5.4)精确定位：设第k帧图像中待跟踪目标的真实位置为Ps(k)＝[x′₁,y′₁,x′₂,y′₂]，以待跟踪目标模板、待跟踪目标在第一帧图像中的位置为离线giou预测器模板流的输入；以第k帧图像的搜索区域R_k、真实位置Ps(k)为离线giou预测器搜索区域流的输入，则离线giou预测器的输出为Ps(k)的函数，即Pgiou＝F(Ps(k)，其中F(.)为根据离线giou预测器的结构得到的函数；/n以粗略定位位置Pc(k)作为Ps(k)的初始值，采用梯度下降法计算Pgiou取最大值时的Ps(k)，即为第k帧图像中待跟踪目标的精确位置/n(6)令k＝k+1，重复步骤5，持续对视频后续帧中的目标进行跟踪，直到跟踪结束。/n