融合多层深度特征的判别式相关滤波跟踪方法及系统技术方案

本发明专利技术公开了一种融合多层深度特征的判别式相关滤波跟踪方法及系统，该方法包括获取第一帧视频图像，以前一帧目标状态为基础，提取手工特征和多层深度特征；对深度特征进行空间池化和通道压缩，与手工特征进行级联输入LADCF模型训练判别式相关滤波器；获取第二帧视频图像，以前一帧目标状态为基础，提取多尺度手工特征和单尺度深度特征，利用训练好的LADCF模型确定手工特征和深度特征的目标响应图；将深度特征响应图分别与不同尺度的手工特征响应图加权相加，得到目标状态响应图，再进行目标位置和边界框估计；重复以上过程直至完成对目标的跟踪。本方法可有效降低深度特征提取的时间，提高算法的运行速度。提高算法的运行速度。提高算法的运行速度。

【技术实现步骤摘要】
融合多层深度特征的判别式相关滤波跟踪方法及系统


[0001]本专利技术涉及视频目标追踪
，具体涉及一种融合多层深度特征的判别式相关滤波跟踪方法及系统。

技术介绍

[0002]视觉目标跟踪指在视频序列第一帧，给定目标中位置和大小，并在后续图像序列中估计目标的位置和大小。视觉目标跟踪在智能交通监控、无人机导航、人机交互、导弹制导等许多领域具有广泛的应用。
[0003]根据目标表观模型的不同，视觉目标跟踪算法主要分为生成式目标跟踪和判别式目标跟踪等两大类，判别式目标跟踪在搜索区域内进行目标分类判断，同时考虑了目标自身以及背景信息。其中基于判别式相关滤波器(Discriminative Correlation Filter，DCF)的目标跟踪算法，整体框架简单，可融合多种特征进行目标表示，运行速度快、鲁棒性高，获得了广泛的应用。
[0004]现有LADCF算法采用了CNN深度特征，CNN特征通过将待跟踪图像输入预训练CNN网络获得，如图1所示，LADCF算法将图像灰度、HoG、CN等手工特征以及深度特征在深度方向进行级联拼接，具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多层深度特征的判别式相关滤波跟踪方法，其特征在于，包括以下步骤：获取视频序列集；获取第一帧视频图像，给定目标在第一帧图像中的初始状态，包括目标中心位置坐标和大小；以前一帧目标状态为基础，分别提取以卷积神经网络为基础的多层深度特征和手工特征；对深度特征进行空间池化及通道压缩；将经过特征压缩的深度特征与手工特征进行级联，输入LADCF模型，训练判别式相关滤波器分类器；获取第二帧视频图像，以目标前一帧的状态为基础，在单一尺度层上提取多层深度特征，在多个尺度层上提取手工特征，并对深度特征进行空间池化和特征通道降采样；将所提取特征输入训练好的LADCF模型，获得深度特征目标响应图和手工特征目标响应图；将深度特征目标响应图，分别与不同尺度的手工特征目标响应图加权相加，得到最终的目标状态响应图，在最终的目标状态响应图上进行目标位置和边界框估计；重复以上过程直至完成对目标的跟踪。2.如权利要求1所述的融合多层深度特征的判别式相关滤波跟踪方法，其特征在于，所述卷积神经网络为VGG16网络结构。3.如权利要求1所述的融合多层深度特征的判别式相关滤波跟踪方法，其特征在于，所述通道压缩方法包括：从多通道特征中等间隔采样多个特征，降低通道数目；所述的空间池化方法：对浅层深度特征，进行最大池化，将统一不同层深度特征的分辨率。4.如权利要求3所述的融合多层深度特征的判别式相关滤波跟踪方法，其特征在于，所述空间池化和通道压缩方法具体为：对训练网络中多层深度特征进行空间池化，降低并统一深度特征分辨率，对不同层的深度特征采用不同比率的等间隔采样，降低特征通道数目。5.一种融合多层深度特征的判别式相关滤波跟踪系统，其特征在于，包括：用于输入视频序列集的视频输入单元；初始判别式相关滤波器分类器训练单元，用于获取视频序列集；获取第一帧视频图像，给定目标在第一帧图像中的初始状态，包括目标中心位置坐标和大小；以前一帧...

【专利技术属性】
技术研发人员：翟优，郭希维，何鹏，韩东，谢建华，许葆华，周海俊，王红云，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：