【技术实现步骤摘要】
一种基于双分支孪生网络结构的视觉目标跟踪方法
[0001]本专利技术涉及一种基于双分支孪生网络结构的视觉目标跟踪方法,属于图形图像处理领域。
技术介绍
[0002]视觉目标跟踪一直是人工智能和计算机视觉领域一项基本而富有挑战性的任务,在视频监控、智能交通、无人驾驶等方面具有广泛的应用。然而,由于各种挑战,例如目标被遮挡、尺度变化及背景杂乱等,目标跟踪算法在实时性和准确性方面难以做到较好的平衡,因此如何实现实时、准确的目标跟踪算法具有很大的研究价值。目前的目标跟踪方法主要分为:基于相关滤波类的方法,如KCF、DSST;基于孪生网络类的方法,如SiamFC、SiamRPN、SiamDW;而随着计算机计算能力的大幅提升,基于深度学习的孪生网络类算法逐渐成为主流。
[0003]基于相关滤波类的目标跟踪算法通过提取目标特征训练滤波器,并对下一帧图像作滤波运算,以结果响应峰值所在位置作为目标位置。在特征构建方面,早期的相关滤波方法主要使用手工特征构建目标模型,而手工特征的构建方法相对简单,仅由统计计算完成,虽然使用此类特征的跟踪器的跟踪速度较快,但对目标特征的建模能力较弱,从而使得跟踪器鲁棒性不强,难以应对复杂场景下的跟踪任务。基于深度学习的孪生网络类目标跟踪算法,以SiamFC为代表,其在初始离线阶段训练一个全卷积网络以解决更一般的相似性学习问题,然后在推理期间对学习到的匹配函数进行简单的在线评估,该方法在具有极强的实时性的同时达到了极具竞争力的性能。但是该算法使用较浅的特征提取网络AlexNet,提取到的仅仅是目标的 ...
【技术保护点】
【技术特征摘要】
1.一种基于双分支孪生网络结构的视觉目标跟踪方法,其特征在于,所述方法包括以下步骤:S100、训练阶段,获取原始模板图像z和原始搜索图像x;对所述原始模板图像和原始搜索图像进行预处理,得到模板图像z_sz和搜索图像x_sz,并将所述模板图像z_sz和搜索图像x_sz作为训练数据并构建训练数据集;训练时,所有图像的Bounding Box均已知;S200、将所述模板图像z_sz和搜索图像x_sz输入到双分支孪生网络结构进行特征提取,具体为:将所述模板图像z_sz通过浅层分支进行特征提取,得到浅层分支提取出的模板图像特征图;将所述模板图像z_sz通过深层分支进行特征提取,得到深层分支提取出的模板图像特征图;将所述搜索图像x_sz通过浅层分支进行特征提取,得到浅层分支提取出的搜索图像特征图;将所述搜索图像x_sz通过深层分支进行特征提取,得到深层分支提取出的搜索图像特征图;所述双分支孪生网络结构由一个深层分支和一个浅层分支构成,所述浅层分支用于定位目标的位置信息;所述浅层分支由一个AlexNet网络构成,同时使用多尺度特征融合模块进一步精确定位目标的位置信息;所述深层分支能够提取到目标的行为特征、运动轨迹特征等语义信息;所述深层分支由一个去掉全连接层的VGG网络构成;在该VGG网络中,在涉及填充操作的卷积层后嵌入一个边缘裁剪单元,同时在通道数发生变化的卷积层后嵌入ECA模块,学习通道特征;在所述深层分支提取模板图像的一侧,加入双重注意力模块;S300、将分别经过深浅两个分支得到的特征图进行互相关操作,即经过所述浅层分支的模板图像z_sz和搜索图像x_sz的特征图进行互相关操作,经过所述深层分支的模板图像z_sz和搜索图像x_sz的特征图进行互相关操作,得到对应的两个分支响应图;得到分支响应图的表达公式为:;总响应图的计算公式为:;其中代表S200的特征提取操作,f(z,x)为最终的响应图,f
i
(z,x)为分支响应图,z和x分别代表模板图像和搜索图像,i=1,2分别代表浅层和深层分支,m和n代表权重系数,在训练过程中通过不断学习自适应的调整比重,b为偏置;S400、通过分数矩阵进行训练,通过损失函数计算的损失不断优化模型;S500、跟踪阶段,准备两路输入图像,已知第一帧模板图像的Bounding Box,后续搜索图像的Bounding Box未知;按照要求构建出模板图像和搜索图像;S600、将模板图像和第二帧搜索图像输入到双分支孪生网络结构中,分别得到对应的四种特征图;S700、分别将经过浅层分支提取到的模板图像和搜索图像的特征图进行互相关,将深层分支提取到的模板图像和搜索图像的特征图进行互相关,得到两个分支响应图;得到分支响应图的表达公式为:;其中代表S200的特征提取操作,f
i
(z,x)为分支响应图,z和x分别代表模板图像和
搜索图像,b代表偏置,i=1,2分别代表浅层和深层分支;S800、将分支响应图通过训练阶段学...
【专利技术属性】
技术研发人员:周文俊,王楠,王一帆,彭博,贺宇航,
申请(专利权)人:西南石油大学,
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。