[发明专利]一种基于FPN神经网络的目标跟踪方法

摘要

本发明提出了一种基于FPN神经网络的目标跟踪方法。该方法不再使用传统的VGG深度神经网络，而是改用FPN深度神经网络。利用FPN深度神经网络中对神经网络浅层网络输出的深度特征图所具有的空间信息和深层网络输出的深度特征图所具有的判别能力很好的融合能力，从而提高目标跟踪精度。该方法是一种实时鲁棒性的跟踪算法，在不同的跟踪场景中取得了不错的效果。

主权项

1.一种基于FPN神经网络的目标跟踪方法，其特征在于，具体步骤包括：步骤一、对于第一帧图像t＝1，跟踪任务给予的第一帧跟踪目标的中心位置(xt,yt)以及跟踪目标区域大小信息(lt,ht)，对跟踪目标区域进行一定比例的扩大(lp,t,hp,t)＝α(lt,ht)，根据目标中心位置(xt,yt)以及扩大后的跟踪目标区域大小(lp,t,hp,t)在该帧图像中进行采样，得到训练样本；其中xt为跟踪目标中心位置的横坐标，yt为跟踪目标中心位置的纵坐标，lt为原跟踪目标区域的长度，ht为原跟踪目标区域的宽度，α为扩大比率，lp,t为扩大后跟踪目标区域的长度，hp,t为扩大后跟踪目标区域的宽度；步骤二、对于在第一帧图像中采样得到的训练样本T，将其输入到FPN神经网络中，提取出FPN神经网络中的P₂层的特征其中T表示训练样本，Z_T表示FPN神经网络中通道数为n的P₂层特征，表示FPN神经网络中的P₂层的特征Z_T中第n维特征；步骤三、将训练样本T经过FPN神经网络后提取得到的P₂层的特征用于相关滤波器参数的计算；步骤四、对于下一帧图像t+1，根据上一帧跟踪目标中心位置(xt,yt)以及扩大后的跟踪目标区域大小(lp,t,hp,t)，对上一帧扩大后的跟踪目标区域(lp,t,hp,t)进行多尺度缩放，得到多种候选区域大小{(lp,t+1,hp,t+1)}＝{β(lp,t,hp,t)}，其中β为缩放尺度，β＝{0.985,0.99,,0.995,1,1.005,1.01,1.015}而后，根据上一帧跟踪目标中心位置(xt,yt)和多种候选区域大小{(lp,t+1,hp,t+1)}＝{β(lp,t,hp,t)}，对该帧图像进行采样得到候选样本集X＝(X1 X2 … X7)；步骤五、对于采样得到的候选样本集X，将其输入到FPN神经网络中，提取出FPN神经网络中的P₂层的特征其中表示第一个候选样本X₁输入到FPN神经网络中提出得到通道数为n的P₂层特征，即步骤六、将候选样本集每个候选样本经过FPN神经网络后提取得到的P2层的特征ZX，用于响应图的计算，最终确定该帧跟踪目标的中心位置(xt+1,yt+1)和跟踪目标区域大小(lt+1,ht+1)；步骤七、在得到跟踪目标的中心位置和区域大小后，不断重复步骤一至步骤六、直到视频结束，完成对跟踪目标的中心位置以及区域大小的跟踪。