【技术实现步骤摘要】
一种基于尺度等变卷积孪生网络的序列图像目标跟踪方法
[0001]本专利技术涉及计算机视觉中的序列图像目标跟踪
，尤其涉及一种基于尺度等变卷积孪生网络的序列图像目标跟踪方法。
技术介绍
[0002]序列图像中的目标跟踪是计算机视觉领域中最具挑战的基础工作之一，其目的是在图像序列的图像帧中对感兴趣的目标进行准确、持续并且稳定的定位。近五年来主流的目标跟踪算法大致可分为两大类：基于相关滤波器的算法，以及基于孪生网络的算法。相较于前者，后者的准确度更高。最早被提出的基于相关滤波器的跟踪算法是最小均方误差输出和滤波器(MOSSE，Minimum Output Sum of Squared Error filter)算法，随后又陆续出现了基于核循环结构(CSK，Circulant Structure with Kernels)的算法、基于核相关滤波器(KCF，Kernelized Correlation Filter)的算法、基于判别式尺度空间(DSST，Discriminative Scale Space Tracker)的算法...
【技术保护点】
【技术特征摘要】
1.一种基于尺度等变卷积孪生网络的序列图像目标跟踪方法，其特征在于，包括以下步骤：步骤1：利用公开数据集对LSE
‑
SiamRPN的网络可学习参数进行训练，确定网络可学习参数的最优值；所述LSE
‑
SiamRPN包括孪生子网络、深度互相关和边界框回归子网络；步骤2：确定被跟踪的目标在第一帧图像中的边界框，获取模板图像，将模板图像输入孪生子网络的模板分支，提取目标的原始尺度特征；步骤3：输入下一帧图像，获取搜索区域，将搜索区域输入孪生子网络的搜索分支，提取搜索区域的多尺度特征；再转到步骤4；步骤4：将步骤2中目标的原始尺度特征和步骤3中搜索区域的多尺度特征进行深度互相关得到多通道响应图，再以多通道响应图作为边界框回归子网络的输入，由该边界框回归子网络的分类分支、中心度量分支与回归分支共同得到目标的边界框；再转到步骤3。2.根据权利要求1所述基于尺度等变卷积孪生网络的序列图像目标跟踪方法，其特征在于，所述孪生子网络采用局部尺度等变卷积结构；局部尺度等变卷积结构包含若干尺度卷积层，每个尺度卷积层是由若干尺度卷积核构成，每个尺度卷积核由一组基函数线性加权求和得到，每个基函数定义如下：其中，H
n
和H
m
分别是n阶和m阶Hermite多项式；u和v分别为以核中心点为原点的每个元素的横纵坐标值；A为归一化常数；σ为尺度参数。3.根据权利要求1所述基于尺度等变卷积孪生网络的序列图像目标跟踪方法，其特征在于，所述步骤2具体为：以目标的边界框中心位置为中心，裁切大于边界框的图像区域作为模板图像；计算第一帧图像各通道的像素平均值，若部分裁切的图像区域在第一帧图像的边界外，则用像素平均值填充；将模板图像缩放为孪生子网络的模板分支的输入端所设定的大小，并输入至模板分支，再经过网络的前馈，在模板分支的输出端得到目标的原始尺度特征4.根据权利要求1所述基于尺度等变卷积孪生网络的序列图像目标跟踪方法，其特征在于，所述步骤3具体为：以目标在上一帧图像中的边界框的中心位置为...
【专利技术属性】
技术研发人员：刘庆，王继超，华钧，
申请(专利权)人：北京科能腾达信息技术股份有限公司，
类型：发明
国别省市：
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。