[发明专利]一种视频目标跟踪方法

说明书

本发明提供一种视频目标跟踪方法，属于计算机视觉领域。所述方法包括：将目标图像和搜索图像同时输入层级相关性孪生网络进行特征提取，得到不同卷积层提取的卷积特征，对同一层卷积层提取的目标图像和搜索图像的卷积特征进行相关性度量，将每层的相关性通过层级拼接产生层级相关性；将层级相关性中跟踪响应最高的搜索图像的位置作为跟踪目标在搜索图像的中心位置；根据跟踪目标在搜索图像的中心位置和独立的尺度因子，确定跟踪目标在搜索图像中的位置。采用本发明，能够精确的对任意目标进行跟踪。

技术领域

本发明涉及计算机视觉领域，特别涉及是指一种视频目标跟踪方法。

背景技术

近年来，伴随着人们生活水平的提高及汽车制造工业发生的巨大变化，汽车数量急剧上升，但是，可用的道路资源却越来越少，加上人类自身反应能力及感知能力有限，由于错误地判断了外界反馈的信息使交通事故率在近年呈现不断攀升的趋势。据不完全统计，世界范围内由于驾驶汽车出现的交通事故死亡的人数已经超过3000万，比世界大战死亡人数还要多。凭借着互联网技术给汽车制造业带来的革命性变化的机会，无人驾驶车在当今社会呈现了迅猛的发展势头，其主要目的是为了将人从复杂的驾驶操作中分离开来，同时提高车辆在道路上行驶的安全性。

但要想将无人驾驶真正投入实用还存在一定难度，最关键的问题就是无人驾驶车不能像人大脑一样根据已有经验对复杂的道路状况和障碍物情况做出比较准确的判断。视频目标跟踪作为无人驾驶车中的关键一环，对车辆前方的目标进行实时跟踪，可以掌握车辆前方目标的动态，为无人驾驶车在当前环境中做出正确的决策提供依据，从而能够确保在行驶过程中，实现车距保持、换道、车速调节等各种必要基本操作，大大的提高无人驾驶车的性能，减少不必要的意外事故，提高行车安全。

但是，现有的视频目标跟踪方法存在跟踪准确率低等问题。

发明内容

本发明实施例提供了视频目标跟踪方法，能够提高目标跟踪的准确率。所述技术方案如下：

一方面，提供了一种视频目标跟踪方法，该方法应用于电子设备，该方法包括：

将目标图像和搜索图像同时输入层级相关性孪生网络进行特征提取，得到不同卷积层提取的卷积特征，对同一层卷积层提取的目标图像和搜索图像的卷积特征进行相关性度量，将每层的相关性通过层级拼接产生层级相关性，其中，所述目标图像包括：跟踪目标；

将层级相关性中跟踪响应最高的搜索图像的位置作为跟踪目标在搜索图像的中心位置；

根据跟踪目标在搜索图像的中心位置和独立的尺度因子，确定跟踪目标在搜索图像中的位置。

进一步地，所述将目标图像和搜索图像同时输入层级相关性孪生网络进行特征提取，得到不同卷积层提取的卷积特征包括：

将目标图像和搜索图像同时输入到层级相关性孪生网络中进行特征提取的两个分支来进行卷积计算，得到不同卷积层提取的卷积特征；

其中，层级相关性孪生网络中进行特征提取的每个分支结构为：(conv1+ReLU+Overlapping+Max POOL)—(conv2+ReLU+Overlapping+Max POOL)—(conv3+ReLU)—(conv4+ReLU)—(conv5+ReLU)；

其中，conv表示卷积层，ReLU表示非线性激活函数，Overlapping表示局部响应归一化层，Max POOL表示最大池化层。

进一步地，对同一层卷积层提取的目标图像和搜索图像的卷积特征进行相关性度量的公式为：

其中，F(z,x)_i表示卷积层i提取的目标图像和搜索图像的卷积特征之间的相关性；z和x分别表示目标图像和搜索图像；表示卷积层i输出的卷积特征；β表示偏差。