[发明专利]一种基于平行特征金字塔神经网络的目标跟踪方法

摘要

本发明提出了一种基于平行特征金字塔神经网络的目标跟踪方法，该方法没有使用传统的VGG神经网络做特征提取，而是改用平行特征金字塔卷积神经网络来提取特征。平行特征金字塔卷积神经网络很好的融合了浅层神经网络的细节特征，高层网络所具有的高级语义特征以及上下文信息特征，使得提取用于跟踪的特征更加鲁棒，从而提高了目标跟踪的精度。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

1.一种基于平行特征金字塔神经网络的目标跟踪方法，其特征在于，包括以下步骤：步骤一：对于当前帧的图像，读取目标在当前帧的图像中的位置坐标(x_t,y_t)和区域(w_t,h_t)，将目标区域(w_t,h_t)进行λ倍放大，得到放大后的目标区域(w_p,t,h_p,t)，即(w_p,t,h_p,t)＝λ(w_t,h_t)，然后根据(x_t,y_t)和(w_p,t,h_p,t)对图像采样，得到样本集M；其中，x_t为目标中心位置的横坐标，y_t为目标中心位置的纵坐标，w_t为目标区域的宽，h_t为目标区域的高，w_p,t为目标区域放大后的宽，h_p,t为放大后目标区域的高；步骤二：将样本集M输入到平行特征金字塔神经网络进行特征融合，得到网络中第Q层的融合特征图，记为Q_M，Q_M有n维，表示Q_M中第n维的融合特征图；步骤三：将进行快速傅里叶变换、对角化操作求取相关滤波器的参数；步骤四：对步骤一得到的扩大后目标区域(w_p,t,h_p,t)进行多尺度缩放操作，得到多重候选区域(w_p,t+1,h_p,t+1)，即(w_p,t+1,h_p,t+1)＝α(w_p,t,h_p,t)，α为缩放尺度，α的取值为{0.985,0.99,0.995,1,1.005,1.01,1.015}；在多重候选区域(w_p,t+1,h_p,t+1)的基础上对下一帧的图像进行采样，得到7种不同缩放尺度下生成的样本集N＝{N1 N2 N3 N4 N5 N6 N7}，其中，N1代表以0.985的缩放尺度得到的候选区域下进行采样得到的样本集，N2代表以0.99的缩放尺度下得到的候选区域下采样得到的样本集，N3、N4、N5、N6、N7依次类推；步骤五：将样本集N＝{N1 N2 N3 N4 N5 N6 N7}输入到平行特征金字塔神经网络中进行特征融合，得到新的融合特征图，记为Q_N，Q_N＝(Q_N1 Q_N2 Q_N3 Q_N4 Q_N5 Q_N6 Q_N7)；其中，Q_N1代表样本集N1输入到平行特征金字塔神经网络进行特征融合得到的第Q层的融合特征图，且Q_N1有n维，表示Q_N1中第n维的融合特征图；Q_N2代表样本集N2输入到平行特征金字塔神经网络进行特征融合得到的第Q层的融合特征图，且Q_N2有n维，表示Q_N2中第n维的融合特征图；Q_N3、Q_N4、Q_N5、Q_N6、Q_N7依次类推；步骤六：根据步骤三中得到的相关滤波器的参数对下一帧得到的融合特征图Q_N＝(Q_N1 Q_N2 Q_N3 Q_N4 Q_N5 Q_N6 Q_N7)进行响应图的计算，得到其响应图，根据响应图的响应峰值确定目标在下一帧图像中的位置坐标(x_t+1,y_t+1)和区域(w_t+1,h_t+1)；其中，x_t+1为目标中心位置的横坐标，y_t+1为目标中心位置的纵坐标，w_t+1为目标区域的宽，h_t+1为目标区域的高；步骤七：重复上述步骤一到步骤六的操作，不断对下一帧图像进行处理，直到最后一帧，完成目标在所有图像帧中的位置坐标和区域确定，实现对目标的跟踪操作。