一种双阈值控制的长时跟踪方法技术

本发明专利技术提供了一种双阈值控制的长时跟踪方法，在不同的跟踪场景中均取得了不错的效果。本发明专利技术将验证网络和孪生网络进行整合，采用双阈值控制法，对长时间跟踪过程中各种情况进行判断，以保证算法的长时鲁棒性。本发明专利技术将两类网络进行融合，很好的利用的两者优势且弥补了相互的不足，以适应长时间跟踪场景。其中，基于MDNet的验证网络通过在线训练很好的利用了后续帧中的信息，弥补了基于孪生网络的跟踪算法中跟踪目标信息缺失的问题；基于孪生网络的跟踪算法通过模版匹配的方法，代替基于MDNet的跟踪算法中的网络预测过程，计算量较小，解决了基于MDNet的跟踪算法实时性较差的问题。问题。问题。

【技术实现步骤摘要】
一种双阈值控制的长时跟踪方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种双阈值控制的长时跟踪方法。

技术介绍

[0002]在计算机视觉
，目标跟踪技术作为研究热点之一，在视频监控、智能交通、人机交互、医学诊断等多个领域都有较高的研究价值。目标跟踪技术的主要工作流程为，首先给定目标在视频序列第一帧中的具体位置，然后通过某种算法在后续每一帧中对于同一目标进行定位。根据跟踪时间，跟踪算法可以分为短时跟踪和长时跟踪两个分支。对于短时跟踪，目标一直在相机的视野范围，算法研究的主要问题是，如何快速准确的在后续帧中定位目标的位置。
[0003]近年来，在短时跟踪领域，各类算法发展迅速，并在OTB、UAV123等数据集中取得显著成果。然而在长时跟踪领域，由于目标和相机运动的不确定性，各类短时跟踪算法很难应对相机视角变化、目标长时遮挡、目标移除视野后重回视野等各类情况。同时相比于短时跟踪，长时跟踪更加贴近实际应用，具有更高的研究价值。
[0004]在短时跟踪领域，主要包括两种方法：一类是基于分类的验证式方法，如基于CNN的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双阈值控制的长时跟踪方法，其特征在于，具体步骤包括：S1、构建由孪生网络和验证网络组成的双网结构，其中孪生网络包括特征提取网络和RPN网络；进行初始帧标定得到目标及其目标位置框；S2、利用初始帧对应的目标位置框，对孪生网络进行初始化，得到初始帧的搜索区域和匹配模板；同时对验证网络初始化，更新验证网络参数；以初始帧作为处理的当前帧，执行S3；S3、对当前帧，利用特征提取网络在前一帧更新的搜索区域内进行多尺度特征提取，得到匹配模板特征和搜索区域特征；RPN网络根据匹配模板特征和搜索区域特征，进行匹配操作，得到匹配跟踪结果；将匹配跟踪结果送入所述验证网络中；S4、所述验证网络对当前帧的匹配跟踪结果进行跟踪状态评估，得到跟踪结果得分；S5、设定模板更新条件和搜索区域变换条件，对跟踪结果得分进行判断：当跟踪结果得分连续N帧大于模板更新阈值时，不更新当前搜索区域和当前匹配模板，直接取下一帧作为待处理的当前帧，返回S3；当跟踪结果得分连续N帧小于模板更新阈值且大于搜索区域更新阈值时，利用匹配跟踪结果对应的目标位置，重新初始化孪生网络和验证网络，更新验证网络的参数，同时更新当前匹配模板；然后，选取下一帧作为待处理的当前帧，返回S3；当跟踪结果得分连续N帧小于搜索区域变换阈值时，更新搜索区域为全局，利用孪生网络在全局内进行全局匹配跟踪，同时验证网络根据全局匹配跟踪结果进行评分，当全局匹配得分高于搜索区域变换阈值时从全局搜索改成原搜索区域大小；然后，选取下一帧作为待处理的当前帧，返回S3；对待处理视频中的所有帧处...

【专利技术属性】
技术研发人员：邓宸伟，王旭辰，韩煜祺，唐林波，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：