【技术实现步骤摘要】
基于双深度增强网络的步进式目标跟踪方法
本专利技术涉及视觉跟踪领域，特别涉及基于深度增强学习的精确目标跟踪。
技术介绍
视觉目标跟踪算法的任务是指定视频第一帧目标物体的位置、大小等状态的前提下，在后续帧中预测新的目标状态。随着深度学习，特别是卷积神经网络(CNN)在图像分类、目标检测领域取得巨大的成功，现有的目标跟踪算法大都采用预训练的CNN提取图像特征。SangdooYun，JongwonChoi，YoungjoonYoo，KiminYun，JinYoungChoi在其发表的论文“Action-DecisionNetworksforVisualTrackingwithDeepReinforcementLearning”(2017年IEEEConferenceonComputerVision&PatternRecognition论文集)中公开了ADNet跟踪算法，在利用CNN目标表达能力的同时，首先将目标跟踪嵌入强化学习框，其特点是由一系列深度强化学习得到的行为控制跟踪框，决策过程耗时小，通过调整跟踪框位置，实现了精...
【技术保护点】
1.一种基于双深度增强网络的步进式目标跟踪方法，其特征在于包括以下步骤：/n步骤1，设计目标跟踪网络TNet，用于提取目标的深度卷积特征；对TNet进行离线训练，包括有监督预训练和增强学习训练；/n步骤2，设计并训练跟踪结果评估网络ENet，用于输出跟踪过程中的在线采样行为，控制TNet的更新过程；/n步骤3，在跟踪过程中，利用TNet定位目标，然后根据ENet对当前跟踪结果的评估采样不同的训练样本，在线调整更新TNet，然后进入下一帧跟踪，重复本步骤，逐步调整跟踪框成为目标的最小外接矩形。/n
【技术特征摘要】
1.一种基于双深度增强网络的步进式目标跟踪方法，其特征在于包括以下步骤：
步骤1，设计目标跟踪网络TNet，用于提取目标的深度卷积特征；对TNet进行离线训练，包括有监督预训练和增强学习训练；
步骤2，设计并训练跟踪结果评估网络ENet，用于输出跟踪过程中的在线采样行为，控制TNet的更新过程；
步骤3，在跟踪过程中，利用TNet定位目标，然后根据ENet对当前跟踪结果的评估采样不同的训练样本，在线调整更新TNet，然后进入下一帧跟踪，重复本步骤，逐步调整跟踪框成为目标的最小外接矩形。
2.根据权利要求1所述的基于双深度增强网络的步进式目标跟踪方法，其特征在于：所述的步骤1中，TNet的输入为图像块，经过三个以上的卷积层提取图像的深层卷积特征，然后经过两个以上的全连接层后至行为输出层和目标可信度输出层；行为输出层输出4个方向的位移{Tleft,Tright,Tup,Tdown}来准确定位目标中心，输出4个尺度变化{Hexpand,Hshrink,Wexpand,Wshrink}以应对目标长宽方向上不一致的形变，输出终止操作{stop}；目标可信度输出层输出为对应的行为置信度。
3.根据权利要求2所述的基于双深度增强网络的步进式目标跟踪方法，其特征在于：所述的4个尺度变化中高度方向和宽度方向上的尺度独立变化。
4.根据权利要求1所述的基于双深度增强网络的步进式目标跟踪方法，其特征在于：所述的步骤1中，利用公开的物体检测数据集，采用有监督学习方法对TNet进行预训练，目标函数定义为多任务交叉熵损失函数LTNet＝λ1×Lcross-entropy(conf,conf～)+(1-λ1)×Lcross-entropy(act,act～)，其中Lcross-entropy表示经过one-hot形式的交叉熵损失函数，conf、act分别为网络行为输出层和目标可信度输出层的输出，conf～、act～分别为对应的真值，λ1表示两项损失的权重分配。
5.根据权利要求4所述的基于双深度增强网络的步进式目标跟踪方法，其特征在于：所述的λ1取值范围为[0.55,0.73]。
6.根据权利要求1所述的基于双深度增强网络的步进式目标跟踪方法，其特征在于：所述的步骤1中，固定经过预训练的TNet卷积层的网络参数，在多帧图像序列上对其全连接层进行增强学习训练，在序列的每一帧图像中，利用预训练的TNet定位目标...
【专利技术属性】
技术研发人员：陆永安，赵柯，王暐，张波，刘传玲，周铁军，张华，付飞亚，李嘉，计宇，张乐，
申请(专利权)人：中国人民解放军六三八七五部队，
类型：发明
国别省市：陕西;61
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。