一种基于相关滤波融合卷积残差学习的目标跟踪方法技术

本发明专利技术涉及一种基于相关滤波融合卷积残差学习的目标跟踪方法，属于计算机视觉跟踪技术领域。该目标跟踪方法首先对输入帧提取以目标对象为中心的训练块进行模型训练；跟踪时从前一帧预测的中心位置提取搜索块，通过搜索最大响应值来定位目标；根据生成的响应映射范围，更新目标对象在T帧处的宽度和高度；利用残差学习对每一帧采集到的训练块和响应图作为训练对输入到本发明专利技术的网络中进行在线更新，从而有效维持模型在目标运动中的预测性能。本发明专利技术将相关滤波器表示为一个卷积层，将特征提取、响应生成和模型更新集成到神经网络中进行端到端训练，从而最大程度利用了待跟踪目标的语义信息，提升了跟踪精度。

A target tracking method based on correlation filtering and convolution residual learning

【技术实现步骤摘要】
一种基于相关滤波融合卷积残差学习的目标跟踪方法
本专利技术属于计算机视觉跟踪
，特别涉及一种基于相关滤波融合卷积残差学习的目标跟踪方法。
技术介绍
视觉目标跟踪，通常称为单目标跟踪，首先在第一帧给定一个人工标注的矩形框，然后需要跟踪算法在后续帧紧跟住这个框。属于计算机视觉中的一个重要研究方向，有着广泛的应用，如：视频监控，人机交互，无人驾驶等。人眼可以比较轻松的在一段时间内跟住某个特定目标。但是对机器而言，这一任务并不简单，尤其是跟踪过程中会出现目标发生剧烈形变、被其他目标遮挡或出现相似物体干扰等等各种复杂的情况。深度模型在目标检测、识别等视觉领域展示了其强大的能力，主要原因来自于对大量标注训练数据的有效学习，而目标跟踪仅仅提供第一帧的标注框作为训练数据，训练数据严重缺失。直接使用ImageNet这样的大规模分类数据库上训练出的CNN网络如VGG-Net获得目标的特征表示，这种“离线预训练+在线微调”的思路，很大程度的解决了跟踪中训练样本不足的问题。但是高层特征主要反映目标的语义特性，对目标的表观变化比较鲁棒，对目标的精确定位有时会出现漂本文档来自技高网...

【技术保护点】
1.一种基于相关滤波融合卷积残差学习的目标跟踪方法，其特征在于：所述的目标跟踪方法包括以下步骤：/n第一步：利用给定目标位置的输入帧和零均值高斯分布对本专利技术框架的基层和剩余层的所有参数进行随机初始化来实现模型初始化；/n第二步：根据第一步初始化的模型，对后续帧进行在线检测；/n第三步：对第二步中检测到的对象提取不同尺度的搜索块，根据响应图的数值来估计最终的目标尺度；/n第四步：利用残差学习方法将前三步定位到的目标区域当做训练数据重新输入网络中指导模型更新。/n

【技术特征摘要】
1.一种基于相关滤波融合卷积残差学习的目标跟踪方法，其特征在于：所述的目标跟踪方法包括以下步骤：
第一步：利用给定目标位置的输入帧和零均值高斯分布对本发明框架的基层和剩余层的所有参数进行随机初始化来实现模型初始化；
第二步：根据第一步初始化的模型，对后续帧进行在线检测；
第三步：对第二步中检测到的对象提取不同尺度的搜索块，根据响应图的数值来估计最终的目标尺度；
第四步：利用残差学习方法将前三步定位到的目标区域当做训练数据重新输入网络中指导模型更新。


2.根据权利要求1所述的一种基于相关滤波融合卷积残差学习的端到端目标跟踪方法，其特征在于：所述的第一步中的特征提取用到了一种融合策略，即本发明的相关滤波器分为两个，一个是基于模板(HOG)特征的相关滤波器和一个基于颜色直方图特征的相关滤波器。HOG特征时对运动模糊和光照具有鲁棒性，但是对形变不够鲁棒。颜色直方图对形变具有鲁性，对光照和模糊不够鲁棒。因此考虑同时使用这两种特征，分成两个通道最后进行融合，优势互补从而使鲁棒性更好，速度更快。通过最小化融合滤波器的损失函数，来求得融合后的最优滤波器，其公式如下：
f(x)＝γtmpftmpl(x)+γhistfhis(x)(1)
ftmpl(x；h)＝∑u∈τh[u]Tφx[u](2)
fhist(x；β)＝g(ψx；β)(3)



l(x，p，θ)＝d(p，argmaxq∈sf(T(x，q)；θ))(5)
其中式(1)表示模板特征和颜色直方图特征的融合，式(2)和式(3)(4)分别对应模板特征和颜色直方图特征，式(5)表示融合后的损失函数。参数θ＝(h，β)，系数γtmpl和γhis可以看作隐含在h和β中，d(p，q)表示当选择的矩形框是q而正确矩形框是p的损失值。


3.根据权利要求1所述的一种基于相关滤波融合卷积残差学习的目标跟踪方法，其特征在于：所述的第二步中的在线检测通...

【专利技术属性】
技术研发人员：尚振宏，杨亚光，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53