[发明专利]一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法

摘要

本发明公布了一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，所述方法首先利用数据集的中心坐标，构建目标模板和搜索区域；其次采用两个相同的卷积网络模块分别提取目标模板和搜索区域的卷积特征；接着，对目标模板和搜索区域分别建立颜色直方图概率密度分布函数得到置信度值，并与阈值比较，对卷积权值滤波器进行预判式更新；然后，对目标模板和搜索区域的卷积特征进行卷积操作得到预测分数矩阵；最后，将预测分数矩阵线性插值定位到原始图片的目标位置中实现目标跟踪。本发明基于孪生全卷积网络，加入了预判式学习更新策略，有效解决了孪生全卷积网络存在相似目标干扰容易出现跟踪丢失的问题。

主权项

1.一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法，其特征在于，该方法包括以下步骤：/n(1)利用数据集的中心坐标，构建目标模板和搜索区域，然后根据数据集的正确标注，得到初始模型f⁽⁰⁾；/n(2)采用两个相同的卷积网络模块分别提取目标模板和搜索区域的卷积特征；/n(3)对目标模板和搜索区域分别建立颜色直方图概率密度分布函数，根据该函数得到目标模板和搜索区域的置信度值C_siam；/n(4)若置信度值C_siam大于阈值则进行步骤(5)；否则对卷积权值滤波器f进行预判式更新，包括如下步骤：/n(4.1)定义预判式学习的损失函数L(f)和残差函数r(s，c)；/n(4.2)根据给定学习率极值ηⁱ_min和ηⁱ_max，得到具有自重启机制的学习率η_t；/n(4.3)利用步骤(4.1)中的损失函数L(f)和残差函数r(s，c)，步骤(4.2)中的学习率η_t，得到卷积权值滤波器f的梯度下降值/n(4.4)根据卷积权值滤波器f的初始模型f⁽⁰⁾、梯度下降值和自重启机制的学习率η_t，对卷积权值滤波器f进行预判式更新；/n(5)对目标模板和搜索区域的卷积特征进行卷积操作，得到预测分数矩阵，再将预测分数矩阵经线性插值定位到原始图片的目标位置中，最终实现目标跟踪。/n