[发明专利]一种深度卷积神经网单目标跟踪方法、设备及存储设备

说明书

技术领域

本发明涉及深度学习技术领域，具体涉及一种深度卷积神经网单目标跟踪方法、设备及存储设备。

背景技术

人类对客观世界的感知有70％由视觉获取，使用计算机代替人类对世界进行感知、语义分析和理解是计算机视觉的最终目标。在计算机视觉领域，目标跟踪是关键技术。但是，在视频跟踪过程中目标的形变、尺寸变化、旋转、背景噪声、部分遮挡以及光照变化等使得对目标跟踪的研究仍具有很大的挑战性，这些外在因素影响了图像跟踪的精度。如何在获取较高跟踪精度的同时，还能保持图像的处理速度符合实用要求，就成为本领域亟待解决的问题。

发明内容

为了解决上述问题，本发明提供了一种深度卷积神经网单目标跟踪方法、设备及存储设备，通过将，从而有效解决上述问题。

本发明提供的技术方案是：一种深度卷积神经网单目标跟踪方法，所述方法包括步骤：对深度卷积神经网络进行预训练；训练后得到深度卷积神经网络模型参数；根据模型参数得到训练后的深度卷积神经网络；初始化训练后的深度卷积神经网络模型的末端网络层以突出跟踪目标特征；获取训练后并初始化后的深度卷积神经网络模型；通过高斯分布融合光流特征点来简化跟踪目标；将简化的跟踪目标输入训练后并初始化后的深度卷积神经网络模型得到输出结果；训练回归模型用于修正所述输出结果得到修正结果；使用修正结果更新深度卷积神经网络模型参数,得到最新的深度卷积神经网络模型。

本发明的有益效果是：本发明提供了一种深度卷积神经网单目标跟踪方法、设备及存储设备,通过在CNN模型中加入HM策略与BB回归模型，大幅提升了图像跟踪精度。然后使用高斯分布融合光流特征点优化提取候选框，在付出极少量跟踪精度(仍然保留了较大精度优势)的情况下大幅提升了算法处理速度，最终做到在保证跟踪精度优势的情况下获得实用的算法处理速度。

附图说明

图1是本发明实施例中深度卷积神经网单目标跟踪方法的整体流程图；

图2是本发明实施例中深度卷积神经网络模型构建示意图；

图3是本发明实施例中深度卷积神经网络模型批训练示意图；

图4是本发明实施例的通过高斯分布融合光流特征点来优化跟踪结果示意图；

图5是本发明实施例中加入HM(hard negative mining)策略及BB(bounding box)回归的跟踪效果对比图；

图6是本发明实施例中使用高斯分布融合光流特征点进行跟踪优化的效果图；

图7是本发明实施例的硬件设备工作示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。

本发明的实施例提供了一种深度卷积神经网单目标跟踪方法、设备及存储设备，通过将。请参阅图1，图1是本发明实施例中深度卷积神经网单目标跟踪方法的整体流程图，所述方法由一种深度卷积神经网单目标跟踪设备实现，具体步骤包括：

S101：对深度卷积神经网络进行预训练。

S102：训练后得到深度卷积神经网络模型参数；所述深度卷积神经网络模型参数为{W₁,……,W₅}。

S103：根据模型参数得到训练后的深度卷积神经网络。

S104：初始化训练后的深度卷积神经网络模型的末端网络层以突出跟踪目标特征，具体包括：根据具体的跟踪目标来初始化深度卷积神经网络模型参数W₆, 这样就突出了跟踪目标的特征,淡化了无关特征。

S105：获取训练后并初始化后的深度卷积神经网络模型。

S106：通过高斯分布融合光流特征点来简化跟踪目标，具体包括：首先根据上一帧跟踪结果通过高斯分布来选取一些候选框，然后通过两帧之间的光流特征点来筛选出更有效的目标候选框，最后通过网络计算置信度确定跟踪结果。

S107：将简化的跟踪目标输入训练后并初始化后的深度卷积神经网络模型得到输出结果。

S108：训练回归模型用于修正所述输出结果得到修正结果，具体包括：所述回归模型为bounding box回归模型。

S109：使用修正结果更新深度卷积神经网络模型参数,得到最新的深度卷积神经网络模型，具体包括：使用历史跟踪结果更新深度卷积神经网络模型参数。