[发明专利]一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法

说明书

本发明公布了一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，所述方法首先利用数据集的中心坐标，构建目标模板和搜索区域；其次采用两个相同的卷积网络模块分别提取目标模板和搜索区域的卷积特征；接着，对目标模板和搜索区域分别建立颜色直方图概率密度分布函数得到置信度值，并与阈值比较，对卷积权值滤波器进行预判式更新；然后，对目标模板和搜索区域的卷积特征进行卷积操作得到预测分数矩阵；最后，将预测分数矩阵线性插值定位到原始图片的目标位置中实现目标跟踪。本发明基于孪生全卷积网络，加入了预判式学习更新策略，有效解决了孪生全卷积网络存在相似目标干扰容易出现跟踪丢失的问题。

技术领域

本发明属于计算机视觉技术领域，特别是一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法。

技术背景

目标跟踪是计算机视觉领域的核心问题，在包括智能交通、医学辅助诊断、军事制导、航空视觉导航等民用和国防领域都发挥着重要的作用。然而在目标跟踪的过程中，目标仍存在相似目标干扰、快速运动和尺度变化、遮挡等难题，特别是相似目标干扰问题，使得复杂环境下实现实时鲁棒的目标跟踪具有很大的挑战性。近年来，随着人工智能技术的飞速发展，深度学习方法在目标跟踪领域展现出巨大潜力。

传统的基于卷积神经网络的深度学习方法进行目标跟踪主要有深度学习跟踪器、在线视觉跟踪算法、训练数据交叉运用算法、连续卷积滤波算法等。由于这些深度学习的目标跟踪方法提取的特征比传统的手工特征更加丰富，具有更强的表达能力，因此极大提高了目标跟踪的跟踪精度和成功率。但是基于卷积神经网络的深度学习方法跟踪的实时性很低，不能满足快速运动目标实时跟踪的需要。

针对上述问题，孪生全卷积网络的目标跟踪方法由于其端到端的训练能力和跟踪的实时性备受关注。Bertinetto等人将DCF视为在孪生全卷积网络中添加的特殊相关滤波器层，通过将网络输出定义为对象位置来推导反向传播，提高了跟踪的成功率和精度。李波等人将孪生全卷积网络与RPN子网络串联，将在线跟踪任务转换为检测任务，实现了跟踪速度的提高。王强等人在孪生全卷积网络中引入Faster RCNN，使得目标跟踪算法回归到检测跟踪目标的位置、形状上来，提高了孪生全卷积网络的跟踪精度和速度。虽然以上基于孪生全卷积网络的目标跟踪算法通过调整卷积网络结构的方式，提高了跟踪的精度和成功率，解决了深度学习在目标跟踪领域的实时性问题，但它的一个关键问题是缺少有效的模型更新策略，无法将来自背景区域或先前跟踪帧的信息融合到模型预测中，不能有效解决相似目标干扰的问题。

发明内容

本发明的目的在于提供一种具有预判式学习更新策略的孪生全卷积网络(Pre-judgment Learning Update Strategy Full-Convolutional Siamese Networks，Prl-SiamFC)的目标跟踪方法，该方法由目标模板和搜索区域模型计算置信度估计值，将模型更新策略加入到端到端的跟踪架构中，解决了孪生全卷积网络在目标跟踪时存在的相似目标干扰问题。

为实现上述目的，本发明采用以下技术方案：

一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，包括：

(1)利用数据集的中心坐标，构建目标模板和搜索区域，然后根据数据集的正确标注，得到初始模型f⁽⁰⁾；

(2)采用两个相同的卷积网络模块分别提取目标模板和搜索区域的卷积特征；

(3)对目标模板和搜索区域分别建立颜色直方图概率密度分布函数，根据该函数得到目标模板和搜索区域的置信度值C_siam；

(4)若置信度值C_siam大于阈值则进行步骤(5)；否则对卷积权值滤波器f进行预判式更新，包括如下步骤：

(4.1)定义预判式学习的损失函数L(f)和残差函数r(s，c)；