[发明专利]一种智能排序候选框的目标跟踪方法及系统

权利要求书

1.一种智能排序候选框的目标跟踪方法，其特征在于，包括：

步骤S1：处理输入的图片对，生成候选框，进而生成正负样本，用于训练孪生RPN网络，RPN网络输出所述正负样本的分类得分；

步骤S2：计算所述正负样本的权重系数；

步骤S3：根据所述权重系数，将加权后的所述正负样本用于训练所述孪生RPN网络，得到所述正负样本的加权分类得分；

步骤S4：构建排序网络，生成所述正样本的排序得分，具体包括：

步骤S41：定义排序规则，如下述公式(1)所示：

其中，i,j∈A_pos，A_pos为正样本集；r_i和r_j是正样本的所述排序得分；α是控制系数，用来控制所述排序的分差；

步骤S42：定义排序损失函数，如下述公式(2):

其中，N_rank是所有的正样本i,j∈A_pos中满足所述排序规则的总样本数；max()表示取最大值操作；

步骤S43：根据下述公式(3)对所述新损失函数L_rpn′和排序损失函数L_rank求和，通过优化公式(3)，可学习得出孪生RPN网络和排序网络，

L_total＝L_rank+L_rpn′ (3)

步骤S5：结合所述样本的加权分类得分和所述正样本的排序得分，得到加权融合得分图，挑选候选框，实现目标跟踪，具体包括：

通过所述孪生RPN网络得到所有正负样本的加权分类得分，排序网络输出所有所述正样本的排序得分，结合两种得分，得到加权融合得分图，进而实现目标跟踪；其中，加权融合得分图，如下述公式(4)所示：

{s_i}＝β{r_i}+(1-β){c_i[pos]} (4)

其中，{r_i}为所述候选框的排序得分图；{c_i[pos]}为所述候选框的分类得分图；β为平衡参数；{s_i}为所述加权融合得分图，其最大值对应的所述候选框，即为跟踪目标。

2.根据权利要求1所述的智能排序候选框的目标跟踪方法，其特征在于，所述步骤S1：处理输入图片对，生成候选框，进而生成正负样本，用于训练孪生RPN网络，RPN网络输出所述正负样本的分类得分，包括：

步骤S11：处理输入图片对，生成候选框，进而生成正负样本；

步骤S12：按照下述公式(5)，用于训练所述孪生RPN网络：

其中，步骤S11生成的正负样本集记作A，N_cls是样本集A的总数，N_reg是用于训练回归的样本总数；c_i是分类得分，c_i^*为搜索图像中候选框i的标签，表示候选框i是正样本或者负样本；o_i是回归偏差，o_i^*是候选框i与搜索图像X上跟踪目标矩形框的真实偏差；L_cls是分类损失项；L_reg为回归损失项。

3.根据权利要求2所述的智能排序候选框的目标跟踪方法，其特征在于，所述步骤S11：处理输入图片对，生成候选框，进而生成正负样本；其中，所述图片对z和X，取自视频序列中不同的两帧，两者都包含跟踪目标，z为模板图像，X是搜索图像；

在所述X上定义多个候选框，计算所述X的候选框中的区域与跟踪目标框重叠相交比IoU，如果IoU大于预设阈值τ_pos，则该候选框为正样本，如果IoU小于预设的阈值τ_neg，则该候选框为负样本。