[发明专利]一种基于三元组网络的目标跟踪稳定性方法

说明书

本发明公开了一种基于三元组网络的目标跟踪稳定性方法，设计了一个三元组目标确认网络结构；定义了一个基于相似度度量的目标损失函数；在视频序列的前后两帧图像上框选目标区域，在目标扩大区域定义随机粒子模拟目标的空间位置，通过粒子和目标区域的交并比取值制作训练正负样本；用制作的三元组数据对三元组目标确认网络模型进行训练；采用KCF算法对目标进行跟踪；采用Faster R‑CNN检测器对目标进行检测；采用三元组目标确认网络模型对跟踪结果和检测结果进行目标确认。本发明在KCF算法跟踪的基础上结合检测结果来提升跟踪的稳定性，在OTB数据集上进行测试，实验结果证明本发明相对KCF算法具有更高的成功率和准确性。

技术领域

本发明属于可见光图像处理方法技术领域，具体涉及一种基于三元组网络的目标跟踪稳定性方法。

背景技术

目标跟踪已经在计算机视觉中得到了广泛的研究，这在机器人技术，智能监控和其他应用中具有重要意义。由于姿态，尺度，照度和运动，遮挡和复杂背景的变化，目标跟踪仍然存在许多挑战。

2015年，Henriques等提出了KCF(核相关滤波器)跟踪算法，在目标跟踪方面具有很好的效果，由于KCF算法缺乏有效的目标跟踪丢失判断机制，导致KCF算法跟踪不稳定，因此需要提出一种基于三元组网络的目标跟踪稳定性方法，克服了传统的KCF算法跟踪不稳定的问题。

发明内容

本发明的目的是提供一种基于三元组网络的目标跟踪稳定性方法，提升KCF算法的跟踪稳定性。

本发明采用的技术方案是，一种基于三元组网络的目标跟踪稳定性方法，具体按照以下步骤实施：

步骤1、设计三元组目标确认网络结构；

步骤2、定义三元组目标确认网络的目标损失函数；

步骤3、离线训练三元组目标确认网络，得到训练后的网络模型M_tri；

步骤4、读取视频V,V＝{img_k}，img_k为第k帧图像，1≤k≤K,K为视频V中的图像总帧数，采用基于三元组网络的目标跟踪稳定性方法对视频V进行目标跟踪，输出目标跟踪结果RS＝{R′_k}，R′_k表示img_k的目标跟踪框。

本发明的特点还在于：

步骤1具体过程为：

步骤1中三元组目标确认网络结构由输入模块、特征提取模块和相似性度量模块串联组成；

对三元组数据(x,x⁺,x^-)分别进行归一化处理，得到归一化后的三元组数据(x₁,x₁⁺,x₁^-)，三元组数据(x₁,x₁⁺,x₁^-)大小都为w×h×c，把(x₁,x₁⁺,x₁^-)送入网络的输入模块，其中w×h为图像的大小，c为图像的通道数；

特征提取模块包括三个权值共享的卷积网络，每个卷积网络包括5组卷积层和1个最大池化层，具体连接顺序为：[Conv1]-[MaxPool]-[Conv2-1-Conv2-2-Conv2-3]-[Conv3-1-Conv3-2-Conv3-3-Conv3-4]-[Conv4-1-Conv4-2-Conv4-3-Conv4-4-Conv4-5-Conv4-6]-[Conv5-1-Conv5-2-Conv5-3]，3个卷积网络在Conv5-3层的输出分别表示为y、y⁺和y^-；