[发明专利]一种基于孪生网络的学习目标跟踪算法

说明书

一种基于孪生网络的学习目标跟踪算法，包括如下步骤：第一步：设定一个函数f比较模板图像x和候选图像y的特征图相似度，响应值最大对应目标位置，x一般是第一帧中目标为中心的图像，y则是第n帧中以n‑1帧图像目标为中心搜索的图像；两个输入都代入卷积神经网络，使用卷积处理函数，学习网络参数ρ，产生两个互相关的映射，通过在y处对x进行穷举搜索，则响应最大值对应目标的位置；在孪生网络中输入x和互相关操作之间增加改进的判别式相关滤波层，第三步：通过过衡量模板图像x与搜索图像y之间的相似性进行跟踪，在线跟踪时凭借判别式相关滤波器模块来进行在线微调以保证跟踪的准确性。

技术领域

本发明涉及信息技术领域，具体涉及一种基于孪生网络的学习目标跟踪算法。

背景技术

目标跟踪就是在一段视频帧标注目标第一帧矩形框，然后定位该目标在视频中每一帧的位置，产生目标运动轨迹。目标跟踪问题在智能监视系统、自动驾驶、无人机监测、智能交通管理、人机交互等领域实时视觉应用中起到了关键作用，是计算机视觉研究的重要内容。

目标跟踪因其在现实生活中的广泛应用已经成为了计算机视觉领域的研究热点，但仍面临较多难题。随着深度学习在目标识别和跟踪领域取得的巨大成功，越来越多的研究者着手于将卷积神经网络(CNN)框架应用于目标跟踪。

王乃岩等提出忽视先验知识的缺乏，引用迁移学习的理念，预先让深度卷积神经网络学习相关的任务，再将预训练后的网络应用于目标，最后使用随机梯度下降方法(SGD)微调网络，但该方法实现在线调整的代价十分昂贵，无法做到实时运算。现有技术中使用孪生卷积网络，先采用离线的方式训练模型来区分两个图像块中是否含有相同的目标，然后比较图像块的相似性跟踪对象，以此来绕过在线学习问题。近年来，不少研究者提出使用相关滤波器进行在线学习。相较于随机梯度下降算法反复迭代求解方法，相关滤波算法极大地提升了跟踪效率，并且在准确性和鲁棒性方面表现出不俗的性能。目前，基于DCF方法的跟踪性能改进主要是在多维特征、鲁棒性尺度估计、非线性核、长期记忆成分和减少边界效应等方面展开，但是，这些方法在提高精度的同时却降低了跟踪速度。

发明内容

为了解决上述问题，本发明提供了一种基于孪生网络的学习目标跟踪算法：

一种基于孪生网络的学习目标跟踪算法，包括如下步骤：

第一步：设定一个函数f比较模板图像x和候选图像y的特征图相似度，响应值最大对应目标位置，x一般是第一帧中目标为中心的图像，y则是第n帧中以n-1帧图像目标为中心搜索的图像；

两个输入都代入卷积神经网络，使用卷积处理函数，学习网络参数ρ，产生

两个互相关的映射，

通过上式在y处对x进行穷举搜索，则响应最大值对应目标的位置；

第二步：根据上式，在孪生网络中输入x和互相关操作之间增加改进的判别式相关滤波层，因此得分响应变化为

第三步：通过过衡量模板图像x与搜索图像y之间的相似性进行跟踪，其中模板图像即跟踪目标，搜索图像则为新一帧中以前一帧预测的目标位置为中心提取出的搜索区域，引入尺度参数δ和偏差参数b使得分的范围更适合逻辑回归 (logistcregression)，网络在离线情况下从视频集中抽选出大量随机对{x， y}进行训练，每个示例都有一个标签为t的空间映射，值为{-1，1}，正确的目标位置属于正类，其它的全部为负类，卷积网络的参数通过随机梯度下降算法最小化损失函数获得训练网络采取判别性方法，

在正负样本对上采用最大似然估计离线训练得到卷积网络的参数后，在线跟踪时凭借判别式相关滤波器模块来进行在线微调以保证跟踪的准确性。

优选的，所述判别式相关滤波器模块的计算方法如下：