【技术实现步骤摘要】
一种基于生成对抗的目标跟踪方法
本专利技术涉及计算机视觉的图像处理领域,尤其涉及一种基于生成对抗的目标跟踪方法。
技术介绍
现代目标跟踪(ObjectTracking)算法分为两类。一类基于相关滤波(CorrelationFilter),该目标跟踪算法利用循环相关的属性并在傅立叶域中执行运算来训练回归器,它可以进行在线跟踪并同时有效地更新过滤器的权重。另一类基于强大的深度学习网络(DeepLearningNetwork),第一阶段绘制目标对象周围的稀疏样本集,第二阶段使用卷积神经网络将每个样本分类为目标对象或背景。这些基于深度学习的目标跟踪算法在跟踪基准上具有良好的表现,但它们的效率在跟踪框架的第一阶段受到了限制。原始图像中的样本通常作为深度卷积网络的输入,并且每个原始图像样本都需要由深度神经网络进行学习和推理,这会导致较高的计算负担和较低的运行速度。而随机进行采样得到的样本中存在大量的易分样本和少量的难分样本,这会导致训练时网络参数越来越拟合于跟踪易分样本,而跟踪算法的丢失几乎全部出现在跟踪难分样本时。所以在目标跟踪第一阶段提供更多高质量的正样本,从而提高深度学习目标跟踪算法的学习效率非常重要。早期的正样本增强主要采用以下技术。使用上采样技术和下采样技术,解决易分样本与难分样本分布不均的问题;随机选择图像的某个区域,将该区域所有像素值变为马赛克,来提高难分样本的数量;将图像旋转90度、180度、270度,或将图像水平翻转、竖直翻转,来增加样本的数量。2018年,SINT++目标跟踪算法将生成 ...
【技术保护点】
1.一种基于生成对抗的目标跟踪方法,包括如下步骤:/n步骤1:搭建基于生成对抗的目标跟踪网络;/n步骤2:基于锚点生成掩膜来修改图像;/n步骤3:训练基于尺度自适应对抗式训练的目标跟踪网络;/n步骤4:实施目标跟踪;/n其特征在于,在所述目标跟踪网络的搭建引入掩膜生成网络过程:/n特征提取网络用于提取输入图像的深度特征,然后将提取出的图像特征矩阵输入二分类网络;同时,将上一帧计算出的目标坐标作为当前帧目标特征矩阵所在位置,将目标特征矩阵输入掩膜生成网络;/n所述掩膜生成网络将输出一个被改变的目标特征矩阵,用被改变的目标特征矩阵替代图像特征矩阵中之前的目标矩阵部分,然后将新的图像特征矩阵输入二分类网络。/n所述二分类网络用于计算出目标坐标,该网络首先根据前一帧的跟踪框坐标,在以该框为中心的一定范围内生成大量的样本框,然后根据每个样本框中的图像特征矩阵,计算出每个框的分类概率,将分类概率最高的样本框作为目标的位置并输出。/n
【技术特征摘要】
1.一种基于生成对抗的目标跟踪方法,包括如下步骤:
步骤1:搭建基于生成对抗的目标跟踪网络;
步骤2:基于锚点生成掩膜来修改图像;
步骤3:训练基于尺度自适应对抗式训练的目标跟踪网络;
步骤4:实施目标跟踪;
其特征在于,在所述目标跟踪网络的搭建引入掩膜生成网络过程:
特征提取网络用于提取输入图像的深度特征,然后将提取出的图像特征矩阵输入二分类网络;同时,将上一帧计算出的目标坐标作为当前帧目标特征矩阵所在位置,将目标特征矩阵输入掩膜生成网络;
所述掩膜生成网络将输出一个被改变的目标特征矩阵,用被改变的目标特征矩阵替代图像特征矩阵中之前的目标矩阵部分,然后将新的图像特征矩阵输入二分类网络。
所述二分类网络用于计算出目标坐标,该网络首先根据前一帧的跟踪框坐标,在以该框为中心的一定范围内生成大量的样本框,然后根据每个样本框中的图像特征矩阵,计算出每个框的分类概率,将分类概率最高的样本框作为目标的位置并输出。
2.根据权利要求1所述的一种基于生成对抗的目标跟踪方法,其特征在于,所述步骤3中训练基于尺度自适应对抗式训练的目标跟踪网络步骤如下:
S1、构建数据集,将数据集划分为训练集和测试集;
S2、初始化目标跟踪网络:不引入掩膜生成网络,直接将特征提取网络与二分类网络相连组成目标跟踪网络,利用训练集和分类损失函数训练网络,训练至f1次迭代以上且分类损失函数值在p次迭代内最大值与最小值相差小于h。
S3、训练掩膜生成网络:在上一步得到的网络中引入掩膜生成网络,固定目标跟踪网络中的参数,将基于锚点生成掩膜修改的9张图像输入二分类网络进行推理,然后选择输出的概率最低的有掩膜图像作为标签M;利用训练集和生成损失函数训练掩膜生成网络,训练至f2次迭代以上且生成损失函数值在p次迭代内最大值与最小值相差小于h;
S4、训练基于生成对抗的目标跟踪网络:固定掩膜生成网络的参数,并使用掩膜生成网络修改目标特征矩阵;用修改后的图像特征矩阵和对抗损失函数训练基于生成对抗的目标跟踪网络中,训练至f3次迭代以上且对抗损失函数值在p次迭代内最大值与最小值相差小于h;
...
【专利技术属性】
技术研发人员:史再峰,孙诚,罗韬,樊强强,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津;12
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。