一种基于注意力机制的轻量级多目标跟踪方法技术

本发明专利技术公开了一种基于注意力机制的轻量级多目标跟踪方法，提出了一个联合注意力模块来增强ShuffleNet V2网络，该模块包括时空金字塔模块STPM和卷积块注意力模块CBAM，STPM融合了多尺度特征，以捕捉不同空间和时间尺度上的信息，CBAM聚合通道和空间维度信息以增强模型的表示能力；然后，提出了一个位置编码生成器模块PEGM和动态模板更新策略DTUS来解决遮挡问题。通过PEGM在输入序列中采用组卷积，每个卷积组负责处理特定范围的相对位置关系；为了提高模板的可靠性，使用DTUS在适当的时候更新模板。实现了轻量级设计、减少了跟踪器的参数数量和计算要求，且有效提高了目标跟踪方法的准确性。

【技术实现步骤摘要】

本专利技术属于计算机视觉，特别是涉及一种基于注意力机制的轻量级多目标跟踪方法。

技术介绍

1、目标跟踪是计算机视觉领域的一个重要方向。它被广泛应用于智能监控、行为识别和机器人导航等实际应用中。由于目标的尺度、外观和纹理的变化，在真实世界场景中准确跟踪任意对象具有很大的挑战性。本专利技术主要关注多目标跟踪，包括通过识别和定位连续视频序列中的多个目标来建立一致的轨迹。多目标跟踪算法主要涉及检测每个视频帧中的目标对象并确定其在图像中的位置。随后，为每个目标分配一个唯一的id，该id在目标的整个移动过程中保持不变。现有的目标跟踪方法可大致分为两大类：传统跟踪方法和基于深度学习的目标跟踪法。传统跟踪算法的显著示例包括光流法、卡尔曼滤波器和核相关滤波器。其中，卡尔曼滤波器在考虑历史状态和观测数据的情况下，迭代地动态估计后续时刻的状态。为了应对现实世界目标跟踪的挑战，卡尔曼滤波器对目标的运动进行建模，使其能够估计目标在后续帧中的位置。尽管如此，仅仅学习简单的特征并不能充分解决真实场景的复杂性。

2、在基于深度学习的目标跟踪领域，最流行的方法是“检测跟踪”(t本文档来自技高网...

【技术保护点】

1.一种基于注意力机制的轻量级多目标跟踪方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，S200中的ShuffleNet V2轻量级网络包括卷积层、最大池化层、第一提取阶段、第二提取阶段和第三提取阶段，每个提取阶段包括第一区块和第二区块，第一提取阶段包括堆叠的1个第一区块和3个第二区块，第二提取阶段包括堆叠的1个第一区块和7个第二区块，第三提取阶段包括堆叠的1个第一区块和3个第二区块；

3.根据权利要求2所述的方法，其特征在于，S300中联合注意力模块包括CBAM模块和STPM模块，CBAM模块包括通道注意力模块和空间注意力模块...

【技术特征摘要】

1.一种基于注意力机制的轻量级多目标跟踪方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，s200中的shufflenet v2轻量级网络包括卷积层、最大池化层、第一提取阶段、第二提取阶段和第三提取阶段，每个提取阶段包括第一区块和第二区块，第一提取阶段包括堆叠的1个第一区块和3个第二区块，第二提取阶段包括堆叠的1个第一区块和7个第二区块，第三提取阶段包括堆叠的1个第一区块和3个第二区块；

3.根据权利要求2所述的方法，其特征在于，s300中联合注意力模块包括cbam模块和stpm模块，cbam模块包括通道注意力模块和空间注意力模块，通道注意力模块用于对输入特征进行通道注意力加强得到通道注意力特征，将通道注意力特征与输入特征相乘作为空间注意力模块的输入，空间注意力模块用于对输入的特征进行空间注意力加强得到空间注意力特征，将空间注意力特征与空间注意力模块的输入的特征进行相乘得到输出特征图fc；stpm模块包括4个平行的分支，每个分支中嵌入有cbam模块，无缝集成四个不同金字塔尺度的特征，通过在不同尺度上融合时空注意力上下文，产生多尺度注意力特征fs；最后将cbam和stpm处理的特征相结合，输出得到聚合特征。

4.根据权利要求3所述的方法，其特征在于，通道注意力模块通过全局最大池化和全局平均池化来压缩包含在输入特征图f内的全局空间信息，生成两个不同的一维特征图f1和f2，通过共享的多层感知机mlp导出，多层感知机mlp包括全连接层和relu非线性激活函数，在跨通道的元素求和操作之后，随后使用sigmoid函数对两个一维特征图进行归一化，归一化过程产生每个通道的权重统计表示为mc，根据mc和输入特征图f相乘得到输出的特征图f′；

5.根据权利要求4所述的方法，其特征在于，通道注意力...

【专利技术属性】
技术研发人员：万琴，葛柱，沈学军，陈建文，杨漾，鲁春平，何勇，段小刚，刘波，刘海桥，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：