The invention relates to a multi-layer convolution feature adaptive fusion method for moving object tracking, which belongs to the field of computer vision. The method first initializes the target area in the first frame image, extracts the first and fifth layer convolution features of the target image block by using the trained depth network framework VGG_19, and obtains two templates by learning and training the correlation filter; secondly, in the next frame, extracts the detection sample features from the predicted position and scale of the target in the previous frame, and two templates in the previous frame. Convolution is used to obtain the response map of two-level features; then the weights of the response map are calculated according to APCE measurement method, and the final position of the target is determined by adaptive weighting fusion response map; after determining the position, the optimal scale of the target is estimated by extracting the directional gradient histogram features of multiple scales of the target. The invention locates the target more accurately and improves the tracking accuracy.
【技术实现步骤摘要】
一种多层卷积特征自适应融合的运动目标跟踪方法
本专利技术公开了一种多层卷积特征自适应融合的运动目标跟踪方法,属于计算机视觉领域。
技术介绍
运动目标跟踪是计算机视觉领域的一个重要研究方向,它在军事和民用方面都有着十分广泛的应用,例如战场监视、智能交通系统、人机交互等。自从2012年AlexNet在图像分类工作中取得巨大成功以来,一系列CNN(ConvolutionalNeuralNetwork,CNN)框架不断刷新纪录。相较与AlexNet,VGGNet最大的改进就是用多个3×3(3×3是能够捕获上下左右和中心概念的最小尺寸)的卷积核代替一个大尺寸卷积核,增强了网络泛化能力,Top-5错误率减少到7.3%。在VOT2017挑战赛上有人将VGGNet换成网络更深的GoogLeNet和ResNet,但是性能方面并没有得到很大提升;在计算机视觉竞赛ILSVRC上,和以上几种网络相比,VGGNet在定位方面获得第一名,所以可以采用VGGNet网络提取特征。自Bolme等人提出误差最小平方和算法以来,相关滤波跟踪算法层出不穷,一些基于手工特征(HOG、ColorName)的相关滤波算法在目标快速跟踪方面表现出优异的性能,但是对于目标发生的剧烈形变、遮挡或出现相似物体干扰等各种复杂的情况,缺少目标语义信息的手工特征不能达到很好的鲁棒性。在相关滤波算法中,特征是决定跟踪效果的重要因素之一,特征的进一步发展就是卷积特征。一些跟踪算法利用VGGNet网络提取卷积特征以全卷积层的输出作为特征提取层,全卷积层与语义信息密切相关,对于高级视觉识别问题是有效的,但是视觉跟踪的目的是 ...
【技术保护点】
1.一种多层卷积特征自适应融合的运动目标跟踪方法,其特征在于:包括如下步骤:Step1、初始化目标并在其所在的图像中选取目标区域;Step2、利用已训练好的VGG‑19网络提取目标区域的第1层和第5层卷积特征作为训练样本,用训练样本训练得到对应的位置滤波器模板;Step3、在新一帧图像的目标区域中提取两层卷积特征得到两个检测样本,分别计算两个检测样本与前一帧图像的目标区域中训练得到的位置滤波器的相关得分,即得到两层特征的响应图;Step4、依据APCE测量方法计算两层特征响应图的权重值,加权融合两层特征的响应图,选取最大值作为目标当前位置;Step5、确定位置后,以当前位置为中心,截取图像不同尺度的样本特征,通过HOG特征构建尺度金字塔训练尺度滤波器,获取尺度响应最大值为目标当前尺度;Step6、更新尺度滤波器;Step7、更新位置滤波器;Step8、重复步骤3至7直到目标跟踪结束。
【技术特征摘要】
1.一种多层卷积特征自适应融合的运动目标跟踪方法,其特征在于:包括如下步骤:Step1、初始化目标并在其所在的图像中选取目标区域;Step2、利用已训练好的VGG-19网络提取目标区域的第1层和第5层卷积特征作为训练样本,用训练样本训练得到对应的位置滤波器模板;Step3、在新一帧图像的目标区域中提取两层卷积特征得到两个检测样本,分别计算两个检测样本与前一帧图像的目标区域中训练得到的位置滤波器的相关得分,即得到两层特征的响应图;Step4、依据APCE测量方法计算两层特征响应图的权重值,加权融合两层特征的响应图,选取最大值作为目标当前位置;Step5、确定位置后,以当前位置为中心,截取图像不同尺度的样本特征,通过HOG特征构建尺度金字塔训练尺度滤波器,获取尺度响应最大值为目标当前尺度;Step6、更新尺度滤波器;Step7、更新位置滤波器;Step8、重复步骤3至7直到目标跟踪结束。2.根据权利要求1所述的多层卷积特征自适应融合的运动目标跟踪方法,其特征在于:所述步骤Step1的具体步骤如下:以目标所在位置为中心,采集一个尺寸为目标2倍大小的图像块作为目标区域。3.根据权利要求1所述的多层卷积特征自适应融合的运动目标跟踪方法,其特征在于:所述步骤Step2具体步骤如下:使用在ImageNet上训练得到的VGG-19网络提取目标区域的第1层和第5层卷积特征,设p表示卷积特征图,f表示采样特征图,采样特征图f中第i个位置的特征向量为fi:其中aij为权重,pj表示卷积特征图中第j个位置的特征向量,通过建立最小化损失函数训练最优滤波器:其中g表示滤波器h的期望输出,λ为正则化系数,l表示维度,l∈{1,…,d},fl表示在第l维的采样特征,*表示循环相关,将上式转换到频域求解得到频域在第l维的滤波器Hl:其中,Hl、G、F分别为hl、g、f的频域描述,分别表示G、F的共轭复数,其中k∈{1,…,d},Fk表示在第k维的采样特征,是Fk的共轭复数,Al、B分别为滤波器的分子和分母。4.根据权利要求1所述的多层卷积特征自适应融合的运动目标跟踪方法,其特征在于:所述Step3的具体步骤为:在新一帧的目标区域提取卷积特征作为检测样本z,计算与步骤2训练得到滤波器的相关得分y,即得到该特征的响应图:表示傅里叶反变换,表示Al的共轭复数,Z是z的频域描述,第1和第5卷积层特征分别得到滤...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。