基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法技术

本发明专利技术涉及图像处理与计算机视觉领域，更具体的说，涉及一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法。本方法包括：S1采用中心尺度预测算法模型进行目标检测，标记所有目标；S2采用K最邻近算法模型对待检测图像进行目标识别，确定特定目标；S3采用全卷积孪生神经网络掩膜算法模型进行特定目标跟踪。本发明专利技术提出的方法，使用一种基于卷积神经网络的中心尺度预测方法进行行人检测，使用K最近邻方法进行行人识别，使用基于孪生神经网络的跟踪方法进行行人跟踪，完成行人的检测识别跟踪的完整过程，对检测环境不敏感，检测、识别和跟踪的精度、成功率较高。

Target detection, recognition and tracking based on central scale prediction and twin neural network

【技术实现步骤摘要】
基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法
本专利技术涉及图像处理与计算机视觉领域，更具体的说，涉及一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法。
技术介绍
图像处理与计算机视觉领域的目标检测识别跟踪算法，特别是指行人检测、识别和跟踪算法。行人检测是为了找出在当前帧中行人可能存在的区域，获得行人的位置以及尺度大小。传统行人检测方法中常用的有背景减除法和基于形状的检测方法：背景减除法将行人抽象为一类运动特征，通过滤掉背景将行人提取出来；基于形状的检测方法通过判断提取的特征是否符合人形。这类传统行人检测方法容易受到环境变化和图像分辨率的影响，前者需要从图像序列当中获取背景信息，不适用于对单帧图像当中的行人进行检测，后者对亮度的敏感度较大。而基于学习特征的方法能够较好的处理这些问题。YOLOv3(YouOnlyLookOnceversion3，唯一观察)算法模型借鉴了FPN(特征金字塔网络)，采用多尺度对不同大小的目标进行检测，提高检测精度。而Renetal发表于2本文档来自技高网...

【技术保护点】
1.一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，其特征在于，包括：/nS1采用中心尺度预测算法模型进行目标检测，标记所有目标；/nS2采用K最邻近算法模型对待检测图像进行目标识别，确定特定目标；/nS3采用全卷积孪生神经网络掩膜算法模型进行特定目标跟踪。/n

【技术特征摘要】
1.一种基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，其特征在于，包括：
S1采用中心尺度预测算法模型进行目标检测，标记所有目标；
S2采用K最邻近算法模型对待检测图像进行目标识别，确定特定目标；
S3采用全卷积孪生神经网络掩膜算法模型进行特定目标跟踪。


2.根据权利要求1所述的基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，其特征在于，所述步骤S1，进一步包括：
S11特征提取，基于卷积神经网络，提取图像特征来进行模型训练和检测；
S12目标中心与尺度检测，获取目标的位置和大小。


3.根据权利要求2所述的基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，其特征在于，
所述步骤S11，进一步包括：
使用5层的卷积层进行特征的提取，获取5层不同分辨率的特征；
将第3，4，5层的特征进行L2归一化，通过反卷积方式将特征尺度调整到与第2层网络特征相同的大小，再进行特征拼接。
所述步骤S12，进一步包括：
使用3*3的卷积层将特征的通道维度降到256维；
利用两个1*1维的并联卷积层，获得待检测图像的中心热图和尺度图；
设定目标的高度与宽度的比例值一定，通过图像分辨率与中心热图、尺度图的对应关系，获得图像中目标的位置和大小。


4.根据权利要求1所述的基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法，其特征在于，所述中心尺度预测算法模型的损失函数L，包括中心热图损失LC和尺度模型损失LS满足以下关系：L＝LC+LS：
所述中心热图损失LC为：



其中，












pij为当前位置是目标中心的概率，参数K为目标的个数，αij、γ为超参数，yij为真值标签，M为高斯掩模，β为惩罚系数，G为二维高斯分布函数，xk、yk为均值，σw、σh为方差，H为图像的高度，W为图像的宽度；
所述尺度模型损失函数LS为：






其中，参数sk和tk为第k个正样本的网络预测...

【专利技术属性】
技术研发人员：唐漾，钟伟民，杜文莉，钱锋，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31