基于特征重映射的视觉目标跟踪方法技术

本发明专利技术基于特征重映射的视觉目标跟踪方法，步骤包括：1)骨干网络分别提取模板特征和搜索区域特征，计算深度互相关，经过分类分支和回归分支，生成分类特征图和回归特征图；2)构建干扰评估网络，得到响应图，分析是否存在相似目标或杂波干扰；3)启用特征重映射网络获得重映射模板特征和重映射搜索区域特征，进行深度互相关计算，生成重映射分类响应图；4)融合重映射分类响应图，解算被并获得最终跟踪目标位置；5)在线收集干扰集和目标集并构建在线样本集合，计算在线样本集合的损失，梯度回传更新特征重映射网络的参数。本发明专利技术的方法，通过重映射提高目标特征的判别性，提升跟踪方法抗干扰性能。抗干扰性能。抗干扰性能。

【技术实现步骤摘要】
基于特征重映射的视觉目标跟踪方法


[0001]本专利技术属于计算机视觉领域的目标跟踪技术，涉及一种基于特征重映射的视觉目标跟踪方法。

技术介绍

[0002]视觉跟踪是计算机视觉中最基本的任务之一，广泛应用在视频监控、自动驾驶和智能交通等领域。主要目标是在视频序列第一帧给定任意目标状态(包括目标位置、尺度范围和初始速度等)，后续每一帧确定目标的位置、运动速度和轨迹变化，实现持续稳定的目标状态跟踪。
[0003]近年来，卷积神经网络在视觉领域取得了巨大成功，因CNN网络具有较强的特征表达能力和泛化能力，使得跟踪器的性能得到大幅度提升。然而，由于真实世界的复杂性，目标周围往往存在大量的相似目标干扰、遮挡以及显著背景变化，跟踪器提取的特征包含较多干扰信息，降低跟踪器对目标特征的判别能力，出现误判和跟踪漂移等情况，随着跟踪进行，累积漂移误差，从而导致跟踪丢失/失败，影响跟踪器性能。
[0004]因此如何在干扰场景下提供更具判别性的特征，增强跟踪器对当前任务处理干扰区域的能力，是提高视觉目标跟踪性能的关键。
专利
技术实现思路

[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征重映射的视觉目标跟踪方法，其特征在于，按照以下步骤实施：步骤1，以兼具速度和精度的SiamCAR做为基跟踪器，该基跟踪器由骨干网络φ、分类分支和回归分支三部分组成，骨干网络φ分别提取到模板特征φ(z)和搜索区域特征φ(x)，计算模板特征φ(z)和搜索区域特征φ(x)的“深度互相关”，再经过分类分支和回归分支的预处理，对应的生成分类特征图和回归特征图；步骤2，构建干扰评估网络，将每一帧的分类特征图H
cls
(z,x)送入干扰评估网络，使用1*1卷积处理多通道特征信息，得到响应图D
cls
(z,x)，根据响应图D
cls
(z,x)中峰值关系分析是否存在相似目标或杂波干扰；步骤3，评估目标周围存在大量干扰发生时，启用特征重映射网络ψ处理模板特征φ(z)和搜索区域特征φ(x)，获得重映射模板特征ψ[φ(z)]和重映射搜索区域特征ψ[φ(x)]，再对重映射模板特征ψ[φ(z)]和重映射搜索区域特征ψ[φ(x)]进行“深度互相关”的分类嵌入计算，生成重映射分类响应图EH
cls
(z,x)；步骤4，基跟踪器SiamCAR面对干扰场景的分类响应图性能不足，融合重映射分类响应图EH
cls
(z,x)，作为最终分类响应图，解算最终分类响应图，获得最终跟踪目标位置；步骤5，在线收集目标附近的干扰信息做为干扰集目标信息所在区域做为目标集以干扰集和目标集构建在线样本集合，计算在线样本集合的损失，梯度回传更新特征重映射网络ψ的参数。2.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤1中，具体过程为：1.1)SiamCAR的骨干网络φ有2个共享参数的网络分支，分别提取第一帧中目标模板z和后续帧搜索区域x的特征，使用ResNet网络的第3层和第5层特征，采用互相关运算聚合模板特征φ(z)和搜索区域特征φ(x)，生成聚合特征图H(z,x)，表达式为：H(z,x)＝φ(z)*φ(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)1.2)分类分支和回归分支均使用4层调整网络CNN预处理聚合特征图H(z,x)，调整聚合特征图结构获得分类特征图H
cls
(z,x)和回归特征图H
reg
(z,x)，再分别进行后续的分类和回归处理，输出逐个像素位置的分类响应图和回归响应图表达式为：其中，CNet
i
(i＝cls,reg)表示调整网络CNN，在此基础上确定骨干网络φ对应空间的目标位置pos
φ
。3.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤2中，具体过程为：2.1)构建干扰评估网络，包括特征图通道融合和干扰评估两个部分，干...

【专利技术属性】
技术研发人员：刘龙，刘康，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：