一种基于改进resnet网络的目标跟踪方法技术

本发明专利技术涉及目标跟踪技术领域，尤其涉及一种基于改进resnet网络的目标跟踪方法，包括采集待测场景视频数据，并进行分帧处理得到若干张图像；构建改进Resnet网络，将Resnet网络的stage0中的普通卷积替换为partial卷积，并在partial卷积后引入CBAM；并利用SAAN改进stage1至stage4中Bottleneck；利用训练集对改进Resnet网络进行训练，使用损失函数收敛模型。本发明专利技术利用cGAN网络合成不同的图像数据扩充数据集；网络结构中用partial conv替换标准卷积，并在卷积后引入CBAM；将SAAN集成在残差块中，来捕获长距离依赖关系，提高连续跟踪的精度。

【技术实现步骤摘要】

本专利技术涉及目标跟踪，尤其涉及一种基于改进resnet网络的目标跟踪方法。

技术介绍

1、随着计算机视觉技术的迅速发展，多目标跟踪(mot)已成为智能监控系统的核心功能之一；在公共区域或复杂结构的建筑内部，跨摄像机的多目标跟踪方法显得尤为重要；由于光照变化、遮挡、目标外观变化等因素对跟踪算法的稳定性提出了更高要求。

2、bytetrack首先通过目标检测器识别目标，并在跟踪阶段使用改进后的卡尔曼滤波方法进行目标预测；同时，采用动态调整关联阈值的方法，以适应目标在不同场景中的密度和移动速度；尽管bytetrack在跟踪效果上有所提升，但仍然依赖于检测器的检测精度，对于被遮挡的目标和消失的目标，可能会导致跟踪丧失。

3、motr是基于transformer的结构来进行多目标跟踪，通过全局注意力机制提高了目标关联的准确性，但在遮挡或目标消失的情况下，跟踪性能出现下降的情况，且在长时间跟踪或跨摄像头场景中，无法准确的识别出跟踪的目标。

技术实现思路

1、针对现有方法的不足，本专利技术利用cg本文档来自技高网...

【技术保护点】

1.一种基于改进resnet网络的目标跟踪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进resnet网络的目标跟踪方法，其特征在于，Bottleneck的改进包括改进未下采样Bottleneck，改进未下采样Bottleneck包括：一个1×1卷积层、1个3×3卷积层、再经过1×1卷积层，并与输入特征图进行残差连接后输入SAAN，最后经过Relu函数。

3.根据权利要求1所述的基于改进resnet网络的目标跟踪方法，其特征在于，Bottleneck的改进还包括改进下采样Bottleneck，改进下采样Bottleneck包括：主分支依次经过1个...

【技术特征摘要】

1.一种基于改进resnet网络的目标跟踪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进resnet网络的目标跟踪方法，其特征在于，bottleneck的改进包括改进未下采样bottleneck，改进未下采样bottleneck包括：一个1×1卷积层、1个3×3卷积层、再经过1×1卷积层，并与输入特征图进行残差连接后输入saan，最后经过relu函数。

3.根据权利要求1所述的基于改进resnet网络的目标跟踪方法，其特征在于，bottleneck的改进还包括改进下采样bottleneck，改进下采样bottleneck包括：主分支依次经过1个1×1卷积、3×3卷积和1个1×1卷积，在快捷连接上添加1个1×1卷积，将主分支和快捷连接进行相加再输入saan，最后经过relu激活。

4.根据权利要求1所述的基于改进resnet网络的目标跟踪方法，其特...

【专利技术属性】
技术研发人员：戴国洪，钱怡君，陈从平，唐海山，
申请(专利权)人：常州大学，
类型：发明
国别省市：