一种基于抗干扰模块的目标追踪方法及系统技术方案

本公开公开了一种基于抗干扰模块的目标追踪方法和系统，包括：获取原始图像并进行预处理；将预处理后的图像输入到全卷积孪生网络中，得到多个预测目标框图像；将多个预测目标框图像输入到特征提取网络中提取预测目标框图像的特征向量，形成预测目标框图像特征向量集；计算预测目标框图像特征向量集与特征向量集之间的余弦距离，根据余弦距离得到最终的目标框图像；本公开通过另外设计一个次级特征提取网络，训练其对外观特征的提取能力，结合最小余弦距离对候选目标的可靠性进行判断，有效降低了跟踪算法对候选目标的误判率，提高算法跟踪的鲁棒性。跟踪的鲁棒性。跟踪的鲁棒性。

【技术实现步骤摘要】
一种基于抗干扰模块的目标追踪方法及系统


[0001]本公开涉及计算机视觉
，特别是涉及一种基于抗干扰模块的目标追踪方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]计算机视觉是当前世界研究的重点领域，而目标跟踪则是计算机视觉的热点方向，最近几年随着研究人员在目标跟踪领域的研究，目标跟踪的速度与精度都得到了快速的发展，尤其是基于SiamFC(SiamFC是经典的目标跟踪算法，后续跟踪算法改进的基石)改进的目标跟踪算法受到很大的欢迎，但是当前的目标跟踪算法在某些情况下，跟踪的效果依然无法满足人们现实生活的需要。
[0004]相似目标干扰问题一直是目标跟踪过程中的难点之一，SiamFC在跟踪过程中，复杂背景的情况下，跟踪目标会被背景中的相似目标干扰，相似目标会产生比跟踪目标更强烈的响应，如图1这就容易发生错认的情况。
[0005]因此，跟踪过程中相似目标会产生很大的干扰，而如何有效对跟踪目标与相似目标进行区分就变得尤为重要。

技术实现思路

[0006]为了解决现有技术的不足，本公开提供了一种基于抗干扰模块的目标追踪方法及系统，通过设计一个次级特征提取网络，训练其对外观特征的提取能力，结合最小余弦距离对候选目标的可靠性进行判断，能够对跟踪目标和相似目标进行有效区分。
[0007]本公开的第一方面提供一种基于抗干扰模块的目标追踪方法。
[0008]一种基于抗干扰模块的目标追踪方法，包括：
[0009]获取原始图像并进行预处理；
[0010]将预处理后的图像输入到全卷积孪生网络中，得到多个预测目标框图像；
[0011]将多个预测目标框图像输入到特征提取网络中提取预测目标框图像的特征向量，形成预测目标框图像特征向量集；
[0012]计算预测目标框图像特征向量集与特征向量集之间的余弦距离，根据余弦距离得到最终的目标框图像。
[0013]本公开的第二方面提供一种基于抗干扰模块的目标追踪系统。
[0014]一种基于抗干扰模块的目标追踪系统，包括：
[0015]图像处理模块，被配置为获取原始图像并进行预处理；
[0016]预测目标框图像获取模块，被配置为将预处理后的图像输入到全卷积孪生网络中，得到多个预测目标框图像；
[0017]预测目标框图像特征提取模块，被配置为将多个预测目标框图像输入到特征提取网络中提取预测目标框图像的特征向量，形成预测目标框图像特征向量集；
[0018]目标框图像获取模块，被配置为计算预测目标框图像特征向量集与特征向量集之间的余弦距离，根据余弦距离得到最终的目标框图像。
[0019]本公开的第三个方面提供一种计算机可读存储介质。
[0020]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于抗干扰模块的目标追踪方法中的步骤。
[0021]本公开的第四个方面提供一种计算机设备。
[0022]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于抗干扰模块的目标追踪方法中的步骤。
[0023]与现有技术相比，本公开的有益效果是：
[0024]本公开通过设计一个次级特征提取网络，训练其对外观特征的提取能力，结合最小余弦距离对候选目标的可靠性进行判断，能够对跟踪目标和相似目标进行有效区分。
[0025]本公开附加方面的优点将在下面的描述中部分给出，或通过本公开的实践了解到。
附图说明
[0026]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0027]图1为干扰目标和追踪目标图像的响应图；
[0028]图2为本公开实施例中基于抗干扰模块的目标追踪方法整体框架图；
[0029]图3为本公开实施例中特征提取网络框架图；
[0030]图4为本公开实施例中基于抗干扰模块的目标追踪方法与其他算法在OTB整体数据集的Precision polts图；
[0031]图5为本公开实施例中基于抗干扰模块的目标追踪方法与其他算法在OTB整体数据集的Success polts图；
[0032]图6为本公开实施例中基于抗干扰模块的目标追踪方法与其他算法在OTB2015复杂背景下部分数据集的Precision polts图
[0033]图7为本公开实施例中基于抗干扰模块的目标追踪方法与其他算法在OTB2015复杂背景下部分数据集Success polts图；
[0034]图8为本公开实施例中基于抗干扰模块的目标追踪方法与其他算法跟踪效果对比图。
具体实施方式
[0035]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，
意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0037]在本公开本实施例中，“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本公开的描述中，“多个”是指两个或多于两个。
[0038]另外，为了便于清楚描述本公开实施例的技术方案，在本公开实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
[0039]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0040]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0041]实施例一
[0042]如图2所示，本实施例提供了一种基于抗干扰模块的目标追踪方法，本实施例的方法整体由两部分组成，第一部分是SiamFC的主体框架，如图2前半部分所示，主要作用还是进行特征提取，以及产生候选目标，与SiamFC中不同的地方在于，SiamFC中只产生一个目标框，而我们会产生3个候选框(对应图2中17*17*1的框中)。第二部分是本申请提出的抗干扰模块，如图2后半部分所示，主要作用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于抗干扰模块的目标追踪方法，其特征在于，包括：获取原始图像并进行预处理；将预处理后的图像输入到全卷积孪生网络中，得到多个预测目标框图像；将多个预测目标框图像输入到特征提取网络中提取预测目标框图像的特征向量，形成预测目标框图像特征向量集；计算预测目标框图像特征向量集与特征向量集之间的余弦距离，根据余弦距离得到最终的目标框图像。2.如权利要求1所述的一种基于抗干扰模块的目标追踪方法，其特征在于，所述获取原始图像并进行预处理，过程为：获取原始图像，所述原始图像包括原始模板图像和原始搜索图像；将原始模板图像按照全卷积孪生网络的模板分支裁剪得到尺寸为128*128的模板图像；将原始搜索图像按照全卷积孪生网络的搜索分支裁剪得到尺寸为256*256的搜索图像。3.如权利要求1所述的一种基于抗干扰模块的目标追踪方法，其特征在于，所述将预处理后的图像输入到全卷积孪生网络中，得到多个预测目标框图像，具体为：将预处理后的图像输入到全卷积孪生网络的模板分支，得到模板图像特征图；将预处理后的图像输入到全卷积孪生网络的搜索分支，得到搜索图像特征图；将模板图像特征图和搜索图像特征进行卷积操作，得到预测目标框图像。4.如权利要求3所述的一种基于抗干扰模块的目标追踪方法，其特征在于，所述将模板模板图像特征图和搜索图像特征图进行卷积操作，得到预测目标框图像，具体为：将模板图像特征图作为卷积核，将模板图像特征图和搜索图像特征图进行卷积操作，公式如下：f(x,z)＝φ(z)*φ(x)x,z分别代表搜索图像和模板图像；φ(z)，φ(x)代表对z，x进行卷积神经网络提取特征；得到预测目标位置特征图；将预测目标位置特征图进行归一化操作；对归一化后的预测目标位置特征图进行排序，选择最大的三个值；将这三个值对应的点回归到原始图像，得到三个预测目标框图像。5.如权利要求1所述的一种基于抗干扰模块的目标追踪方法，其特征在于，所述将多个预测目标框图像输入到特征提取网络中提取预测目标框图像的特征向量，形成预测目标框图像特征向量集...

【专利技术属性】
技术研发人员：李天平，严业金，丁同贺，霍文晓，冯凯丽，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：