The invention relates to the field of anti occlusion tracking technology, and discloses an anti occlusion tracking algorithm based on motion feature and similarity feature, which includes the following steps: A. target \u2011 target image: target detection result, without redundant background area, updating target image every frame; B. search region \u2011 search area. This anti occlusion tracking algorithm based on motion feature and similarity feature has high occlusion robustness. When the target is completely occluded, most of the occlusions can be filtered out first according to similarity information, then the interference of different motion tracks can be filtered out according to the target's motion direction, and then the same can be filtered out according to the target's motion speed information Finally, the position in the current frame is predicted according to the motion information of the object. After passing the object, the similarity is used to match the target position again.
【技术实现步骤摘要】
一种基于运动特征和相似度特征的抗遮挡跟踪算法
本专利技术涉及抗遮挡跟踪
,具体为一种基于运动特征和相似度特征的抗遮挡跟踪算法。
技术介绍
现有的跟踪算法大致分为两类,一种是基于深度特征信息进行相似度匹配的方式,另一种是基于运动信息进行目标位置的预测,目前跟踪准确性较好的跟踪算法都是利用深度学习特征进行相似度匹配实现的,例如现在效果最好的SiamRPN系列,包括SiamRPN、DaSiamRPN、SiamRPN++,这些网络都是采取Siamnet孪生网络结构,即分别提取目标和搜索区域的深度学习特征,找到搜索区域中与目标的匹配相似度最高的位置作为跟踪结果,还有一种基于运动信息预测的跟踪算法,其中最有代表性的就是kalman滤波,没有做特征提取操作,而是通过对目标的运动状态做出目标下一个出现位置的预测,并不断累积该目标的运动信息,提高预测精度,这种预测是在下一帧出现之前就可以计算出的结果了,即没有用到目标自身的特征。基于上述两种跟踪算法搭建思路,不难看出基于相似度匹配方式的跟踪算法准确性高,但是依赖当前帧中该目标出现的完整性,在目标被遮挡的情况下,当前帧中失去了目标的特征,该类跟踪算法就会失效,需要等待目标从新出现之后再次提取目标特征,这种情况即目标跟丢了,由于只用到目标的图像特征,因此在训练时不需要使用视频序列作为训练集,而是使用检测样本作为网络输入,检测样本中的目标作为一个网络分支,检测样本作为待搜索区域,匹配相似度最高的位置作为跟踪结果,这种训练方式也导致了该网络只利用了图像的静态特征,没有使用目标的运动序列特征,而只使用目标运动状态信息的kalma ...
【技术保护点】
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 ...
【技术特征摘要】
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、Searchregion-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、SiamRPNnet-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_s...
【专利技术属性】
技术研发人员:袁培江,王迪,郭金马,王轶,
申请(专利权)人:北京深醒科技有限公司,
类型:发明
国别省市:北京,11
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。