[发明专利]一种基于生成对抗的目标跟踪方法

说明书

本发明公开了一种基于生成对抗的目标跟踪方法，包括如下步骤：步骤1：搭建基于生成对抗的目标跟踪网络；特征提取网络用于提取输入图像的深度特征，然后将提取出的图像特征矩阵输入二分类网络；同时，将上一帧计算出的目标坐标作为当前帧目标特征矩阵所在位置，将目标特征矩阵输入掩膜生成网络；步骤2：基于锚点生成掩膜来修改图像；步骤3：训练基于尺度自适应对抗式训练的目标跟踪网络；步骤4：实施目标跟踪；该方法可以有效提高目标跟踪的准确性和鲁棒性。

技术领域

本发明涉及计算机视觉的图像处理领域，尤其涉及一种基于生成对抗的目标跟踪方法。

背景技术

现代目标跟踪(Object Tracking)算法分为两类。一类基于相关滤波(CorrelationFilter)，该目标跟踪算法利用循环相关的属性并在傅立叶域中执行运算来训练回归器，它可以进行在线跟踪并同时有效地更新过滤器的权重。另一类基于强大的深度学习网络(Deep Learning Network)，第一阶段绘制目标对象周围的稀疏样本集，第二阶段使用卷积神经网络将每个样本分类为目标对象或背景。

这些基于深度学习的目标跟踪算法在跟踪基准上具有良好的表现，但它们的效率在跟踪框架的第一阶段受到了限制。原始图像中的样本通常作为深度卷积网络的输入，并且每个原始图像样本都需要由深度神经网络进行学习和推理，这会导致较高的计算负担和较低的运行速度。而随机进行采样得到的样本中存在大量的易分样本和少量的难分样本，这会导致训练时网络参数越来越拟合于跟踪易分样本，而跟踪算法的丢失几乎全部出现在跟踪难分样本时。所以在目标跟踪第一阶段提供更多高质量的正样本，从而提高深度学习目标跟踪算法的学习效率非常重要。

早期的正样本增强主要采用以下技术。使用上采样技术和下采样技术，解决易分样本与难分样本分布不均的问题；随机选择图像的某个区域，将该区域所有像素值变为马赛克，来提高难分样本的数量；将图像旋转90度、180度、270度，或将图像水平翻转、竖直翻转，来增加样本的数量。

2018年，SINT++目标跟踪算法将生成对抗网络(Generative AdversarialNetwork)加入目标跟踪算法中。该方法利用生成网络编码目标图像的高维流形(High-dimensional manifold topology)特征，来生成与目标图像特征相似的图片，同时用判别器来使生成图像与真实图像特征相似。这种方法可以生成大量与目标特征相似的正样本图像，为目标跟踪网络的训练提供了大量的正样本，提高了网络的跟踪效果。

在目标跟踪网络的跟踪过程中，更多的正样本可以提高它的跟踪效果，但同时也会降低它的运行速度。利用生成对抗网络，可以约束正样本生成过程中的随机性，提高生成的正样本的质量。因此需要基于生成对抗网络，研究生成高质量正样本的方法，使目标跟踪网络在正样本较少的条件下达到更佳的跟踪效果。

发明内容

本发明的目的在于提出一种基于生成对抗的目标跟踪方法，适合对部分图像特征缺失、变化的目标进行稳定的跟踪。针对目标跟踪算法训练过程中目标样本尺度变化，缺少难分样本等问题，结合生成对抗网络，使用基于锚点的掩膜生成方法对图像进行特征更改，进而提高跟踪器对目标的非鲁棒特征的学习能力，提高跟踪器的跟踪准确度，具有跟踪精度高、鲁棒性强等优点。

本发明采用如下技术方案：

一种基于生成对抗的目标跟踪方法，包括如下步骤：

步骤1：搭建基于生成对抗的目标跟踪网络；

步骤2：基于锚点生成掩膜来修改图像；

步骤3：训练基于尺度自适应对抗式训练的目标跟踪网络；

步骤4：实施目标跟踪；

在所述目标跟踪网络的搭建引入掩膜生成网络过程：