[發(fā)明專利]一種基于深度特征的高速相關(guān)濾波物體追蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710835455.9
• 申請(qǐng)日: 2017-09-15
• 公開（公告）號(hào): CN107730536B
• 公開（公告）日: 2020-05-12
• 發(fā)明（設(shè)計(jì)）人: 莊駿飛;董遠(yuǎn);白洪亮
• 申請(qǐng)（專利權(quán)）人: 蘇州飛搜科技有限公司
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06K9/00
• 代理公司: 北京卓唐知識(shí)產(chǎn)權(quán)代理有限公司 11541
• 代理人: 唐海力;韓來(lái)兵

本發(fā)明公開了一種基于深度特征圖的高速相關(guān)濾波物體追蹤方法，步驟包括：根據(jù)開始追蹤的第一幀圖像確定追蹤目標(biāo)搜索尺度；初始化追蹤目標(biāo)的初始特征圖，選取conv3特征圖作為初始特征圖；對(duì)所述初始特征圖進(jìn)行濾波；對(duì)濾波后的初始特征圖進(jìn)行處理生成標(biāo)簽；獲取最小允許權(quán)重；對(duì)追蹤目標(biāo)進(jìn)行模型更新；根據(jù)上一幀中追蹤目標(biāo)所在的位置和尺寸確定當(dāng)前幀中目標(biāo)所在位置和尺寸。本發(fā)明相對(duì)于傳統(tǒng)濾波方法，在復(fù)雜環(huán)境條件下如光照變化、遮擋等情況都有很好的跟蹤效果。此外還具有良好的實(shí)時(shí)性：在GPU NVIDIA GTX1080上可以到達(dá)98fps。最后，還具有模型小的特點(diǎn)：imagenet?vgg?2048網(wǎng)絡(luò)模型大小達(dá)到330M而壓縮后的模型僅1.1M。

技術(shù)領(lǐng)域

本發(fā)明涉及追蹤算法領(lǐng)域，具體涉及一種基于深度特征的高速相關(guān)濾波物體追蹤方法。

背景技術(shù)

現(xiàn)在的追蹤算法主要分為兩大類，一類是基于相關(guān)濾波的傳統(tǒng)跟蹤算法，另一類是基于卷積神經(jīng)網(wǎng)絡(luò)CNN的深度學(xué)習(xí)算法。第一類跟蹤算法主要提取目標(biāo)的HOG、CN等傳統(tǒng)特征，這類特征魯棒性較差，對(duì)于遮擋、高速運(yùn)動(dòng)、光照變化等復(fù)雜環(huán)境情況下追蹤效果差。基于卷積神經(jīng)網(wǎng)絡(luò)CNN的深度學(xué)習(xí)跟蹤算法雖然可以有效解決特征魯棒性差的問(wèn)題，但是由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，計(jì)算量大等問(wèn)題嚴(yán)重影響了跟蹤算法的實(shí)時(shí)性。

發(fā)明內(nèi)容

本發(fā)明的目的。在本發(fā)明中，結(jié)合CNN特征和相關(guān)濾波傳統(tǒng)跟蹤算法，在保證算法魯棒性的基礎(chǔ)上提高跟蹤速度，使算法達(dá)到實(shí)時(shí)跟蹤。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于深度特征的高速相關(guān)濾波物體追蹤方法，包括，

確定追蹤目標(biāo)搜索尺度；

初始化追蹤目標(biāo)的初始特征圖，選取conv3特征圖作為初始特征圖；

通過(guò)所述初始特征圖得到標(biāo)簽及對(duì)應(yīng)權(quán)重；

根據(jù)上一幀追蹤目標(biāo)所在的位置和尺寸得到訓(xùn)練區(qū)域，提取訓(xùn)練區(qū)域作為訓(xùn)練樣本；

將該訓(xùn)練樣本提取conv3第二特征圖，對(duì)第二特征圖進(jìn)行L2歸一化；

將歸一化的第二特征圖進(jìn)行處理，訓(xùn)練并更新所述追蹤模型；

根據(jù)更新的所述追蹤模型確定當(dāng)前幀中目標(biāo)所在位置和尺寸，輸出追蹤結(jié)果。

進(jìn)一步的，如前述的方法，所述確定追蹤目標(biāo)搜索尺度，具體為：預(yù)設(shè)最大搜索尺度及最小搜索尺度，根據(jù)追蹤目標(biāo)尺寸得出搜索初定尺度，如果所述搜索初定尺度大于最大尺度則取最大搜索尺度，如果所述搜索初定尺度小于最小搜索尺度則取最小搜索尺度，所述追蹤目標(biāo)搜索尺度的搜索區(qū)域?yàn)檎叫巍?/p>

更進(jìn)一步的，如前述的方法，根據(jù)所述初始化追蹤目標(biāo)的初始特征圖，選取conv3特征圖作為初始特征圖，具體為：以所述追蹤目標(biāo)搜索尺度作為搜索尺度，以追蹤目標(biāo)的中心為中心，提取所述追蹤目標(biāo)搜索尺度的搜索區(qū)域的卷積特征，選取conv3特征圖作為初始特征圖，步長(zhǎng)為2對(duì)特征圖降采樣。

更進(jìn)一步的，如前述的方法，通過(guò)所述初始特征圖得到標(biāo)簽，具體為：對(duì)所述conv3特征圖進(jìn)行離散傅里葉變換，建立相應(yīng)cos窗函數(shù)對(duì)其進(jìn)行濾波；根據(jù)所述追蹤目標(biāo)搜索尺度的搜索區(qū)域的尺寸，使用泊松方程生成相應(yīng)的空間高斯分布標(biāo)簽，所述泊松方程如公式(1)所示：

更進(jìn)一步的，如前述的方法，通過(guò)所述初始特征圖得到對(duì)應(yīng)權(quán)重，具體為：將學(xué)習(xí)率lr定為0.012，以如下所示公式(2)定義最小允許權(quán)重，其中nSamples為最大保留訓(xùn)練樣本數(shù)預(yù)設(shè)定為50；

lr×(1-lr)^2×nSamples (2)。

更進(jìn)一步的，如前述的方法，所述對(duì)第二特征圖進(jìn)行L2歸一化，具體采用如下公式(3)：