一种智能排序候选框的目标跟踪方法及系统技术方案

本发明专利技术涉及一种智能排序候选框的目标跟踪方法及系统，其方法包括：步骤S1：处理输入图片对，生成候选框，得到正负样本，用于训练孪生RPN网络，得到正负样本的分类得分；步骤S2：计算正负样本的权重系数；步骤S3：将加权后的正负样本用于训练孪生RPN网络，得到正负样本的加权分类得分；步骤S4：构建排序网络，生成正样本的排序得分；步骤S5：结合样本的加权分类得分和正样本的排序得分，得到加权融合得分图，挑选候选框，实现目标跟踪。本发明专利技术通过计算样本的权重系数，使得在训练孪生RPN网络过程更加关注重要的样本；同时，排序网络输出每个正样本的排序得分，结合排序得分和加权分类得分，可以选择更加准确的目候选框，以提升目标跟踪的精度。跟踪的精度。跟踪的精度。

【技术实现步骤摘要】
Analysis and Machine Intelligence,vol.37,no.3,pp.583
‑
596,2015.
[0008][2]L.Bertinetto,J.Valmadre,J.F.Henriques,A.Vedaldi,and P.H.Torr,“Fully
‑
convolutional siamese networks for object tracking,”in Proceedings of the European Conference on Computer Vision,2016,pp.850
–
865.
[0009][3]B.Li,J.Yan,W.Wu,Z.Zhu,and X.Hu,“High performance visual tracking with siamese region proposal network,”in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能排序候选框的目标跟踪方法，其特征在于，包括：步骤S1：处理输入的图片对，生成候选框，进而生成正负样本，用于训练孪生RPN网络，RPN网络输出所述正负样本的分类得分；步骤S2：计算所述正负样本的权重系数；步骤S3：根据所述权重系数，将加权后的所述正负样本用于训练所述孪生RPN网络，得到所述正负样本的加权分类得分；步骤S4：构建排序网络，生成所述正样本的排序得分；步骤S5：结合所述样本的加权分类得分和所述正样本的排序得分，得到加权融合得分图，挑选候选框，实现目标跟踪。2.根据权利要求1所述的智能排序候选框的目标跟踪方法，其特征在于，所述步骤S1：处理输入图片对，生成候选框，进而生成正负样本，用于训练孪生RPN网络，RPN网络输出所述正负样本的分类得分，包括：步骤S11：处理输入图片对，生成候选框，进而生成正负样本；步骤S12：按照下述公式(1)，用于训练所述孪生RPN网络：其中，步骤S11生成的正负样本记作A，N
cls
是样本集A的总数，N
reg
是用于训练回归的样本总数；c
i*
为搜索图像中候选框i的标签，表示候选框i是正样本或者负样本；o
i*
是候选框i与X上跟踪目标矩形框的真实偏差；L
cls
是分类损失项；L
reg
为回归损失项。3.根据权利要求2所述的智能排序候选框的目标跟踪方法，其特征在于，所述步骤S11：处理输入图片对，生成候选框，进而生成正负样本；其中，所述图片对z和X，取自视频序列中不同的两帧，两者都包含跟踪目标，z为模板图像，X是搜索图像；在所述X上定义多个候选框，计算所述X的候选框中的区域与跟踪目标框重叠相交比(IoU)，如果IoU大于预设阈值τ
pos
，则该候选框为正样本，如果IoU小于预设的阈值τ
neg
，则该候选框为负样本。4.根据权利要求3所述的智能排序候选框的目标跟踪方法，其特征在于，所述步骤S2：计算所述正负样本的权重系数，包括：步骤S21：按照下述公式(2)，计算所述正样本的权重系数：w
i
＝1+v
iiou
‑
τ
pos
ꢀꢀ
(2)其中，w
i
为正样本i的权重系数；正样本i与X图片上的跟踪目标框的IoU，记作v
iiou
。步骤S22：按照如下公式(3)，计算所述负样本的权重系数：w
i
＝1+c
i
[pos]
ꢀꢀꢀ
(3)其中，c
i
[pos]为所述负样本被错误分类为正样本的概率值。5.根据权利要求4所述的智能排序候选框的目标跟踪方法，其特征在于，所述...

【专利技术属性】
技术研发人员：凌强，汤峰，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：