[发明专利]基于分层卷积特征的长时间目标跟踪方法及系统

说明书

本发明公开了基于分层卷积特征的长时间目标跟踪方法及系统，采用预训练好的深度卷积神经网络，对每一帧视频数据提取各层的卷积特征；按照基于相关滤波器模型求取卷积层的响应，并进行加权计算，将最终响应的最大值作为当前帧的目标中心；在逐帧更新的过程中设定阈值，只有当跟踪响应值大于阈值时进行更新相关滤波器模型，否则采用上一帧的相关滤波器模型，同时，跟踪响应值低于设定的阈值时，采用随机蕨算法进行目标的重检测。本公开采用深度学习进行特征提取，提高了目标跟踪的精度；改变的模型更新方式降低了整个跟踪过程中的计算冗余，提高了跟踪速度；在目标遮挡等恶劣情况下使用随机蕨算法进行目标重检测，保证了实际跟踪结果的可靠性。

技术领域

本公开涉及视频目标跟踪技术领域，特别是涉及基于分层卷积特征的长时间目标跟踪方法及系统。

背景技术

目标跟踪对机器人、无人机、自动驾驶、导航与制导等领域的发展有重要意义。例如，在人机交互过程中，摄像头不断对人体行为进行跟踪，并经过一系列的分析处理使机器人达到对人体姿态、动作、手势的理解，从而更好地实现人和机器的友好交流；在无人机目标跟踪过程中，不断获取目标的视觉信息，并传送给地面控制站，通过算法对视频图像序列进行分析，得到跟踪目标的实时位置信息，以保证跟踪目标实时处于无人机的视野范围之内。

目标跟踪过程涉及到光照变化、尺度变化、平面内旋转、平面外旋转、遮挡、形变、运动模糊、快速运动、背景斑、低分辨率等一系列挑战，现有“相关滤波”类目标跟踪方法尽管跟踪速度较快，但跟踪精度欠佳。

发明内容

为了解决现有技术的不足，本公开的一个方面是提供了基于分层卷积特征的长时间目标跟踪方法，本公开的技术方案减小了计算量，更好地适用于长时间目标跟踪。

为了实现上述目的，本申请采用以下技术方案：

基于分层卷积特征的长时间目标跟踪方法，包括：

采用预训练好的深度卷积神经网络，对每一帧视频数据提取各层的卷积特征；

按照基于相关滤波器模型求取卷积层的响应，并进行加权计算，将最终响应的最大值作为当前帧的目标中心；

在逐帧更新的过程中设定阈值，只有当跟踪响应值大于阈值时进行更新相关滤波器模型，否则采用上一帧的相关滤波器模型，同时，跟踪响应值低于设定的阈值时，采用随机蕨算法进行目标的重检测。

进一步的技术方案，采用预训练好的深度卷积神经网络的Conv3-4，Conv4-4，Conv5-4这三个层提取卷积特征。

进一步的技术方案，选取相关滤波器模型时，设置数据标签，根据数据标签生成滤波器模型，然后生成各个通道下的滤波器模型，再求解一个卷积层对应的滤波器响应，最后计算卷积层Conv3-4，Conv4-4，Conv5-4的加权响应。

进一步的技术方案，求解一个卷积层对应的滤波器响应时，

其中，B表示待检测的特征图，f表示一个卷积层对应的滤波器响应；

计算卷积层Conv3-4，Conv4-4，Conv5-4的加权响应：

f_final＝r₁f_3-4+r₂f_4-4+r₃f_5-4

其中，r₁，r₂，r₃表示加权系数，f_final表示最终的响应。

进一步的技术方案，更新相关滤波器模型时的函数公式具体为：