[發(fā)明專利]基于中心尺度預(yù)測與孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識(shí)別跟蹤方法

在審

• 申請?zhí)枺?/td>: 202010139477.3
• 申請日: 2020-03-03
• 公開（公告）號: CN111339975A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 唐漾;鐘偉民;杜文莉;錢鋒
• 申請（專利權(quán)）人: 華東理工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海專利商標(biāo)事務(wù)所有限公司 31100
• 代理人: 陸嘉

本發(fā)明涉及圖像處理與計(jì)算機(jī)視覺領(lǐng)域，更具體的說，涉及一種基于中心尺度預(yù)測與孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識(shí)別跟蹤方法。本方法包括：S1采用中心尺度預(yù)測算法模型進(jìn)行目標(biāo)檢測，標(biāo)記所有目標(biāo)；S2采用K最鄰近算法模型對待檢測圖像進(jìn)行目標(biāo)識(shí)別，確定特定目標(biāo)；S3采用全卷積孿生神經(jīng)網(wǎng)絡(luò)掩膜算法模型進(jìn)行特定目標(biāo)跟蹤。本發(fā)明提出的方法，使用一種基于卷積神經(jīng)網(wǎng)絡(luò)的中心尺度預(yù)測方法進(jìn)行行人檢測，使用K最近鄰方法進(jìn)行行人識(shí)別，使用基于孿生神經(jīng)網(wǎng)絡(luò)的跟蹤方法進(jìn)行行人跟蹤，完成行人的檢測識(shí)別跟蹤的完整過程，對檢測環(huán)境不敏感，檢測、識(shí)別和跟蹤的精度、成功率較高。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理與計(jì)算機(jī)視覺領(lǐng)域，更具體的說，涉及一種基于中心尺度預(yù)測與孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識(shí)別跟蹤方法。

背景技術(shù)

圖像處理與計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)檢測識(shí)別跟蹤算法，特別是指行人檢測、識(shí)別和跟蹤算法。

行人檢測是為了找出在當(dāng)前幀中行人可能存在的區(qū)域，獲得行人的位置以及尺度大小。

傳統(tǒng)行人檢測方法中常用的有背景減除法和基于形狀的檢測方法：

背景減除法將行人抽象為一類運(yùn)動(dòng)特征，通過濾掉背景將行人提取出來；

基于形狀的檢測方法通過判斷提取的特征是否符合人形。

這類傳統(tǒng)行人檢測方法容易受到環(huán)境變化和圖像分辨率的影響，前者需要從圖像序列當(dāng)中獲取背景信息，不適用于對單幀圖像當(dāng)中的行人進(jìn)行檢測，后者對亮度的敏感度較大。

而基于學(xué)習(xí)特征的方法能夠較好的處理這些問題。

YOLOv3(You?Only?Look?Once?version3，唯一觀察)算法模型借鑒了FPN(特征金字塔網(wǎng)絡(luò))，采用多尺度對不同大小的目標(biāo)進(jìn)行檢測，提高檢測精度。

而Ren?et?al發(fā)表于2015年NIPS(神經(jīng)信息處理系統(tǒng)大會(huì))的文獻(xiàn)《Towards?Real-Time?Object?Detection?with?Region?Proposal?Networks》，提到Faster?R-CNN算法模型采用卷積神經(jīng)網(wǎng)絡(luò)、ReLU(Rec-tified?Linear?Unit，線性修正單元)激活函數(shù)進(jìn)行特征處理，并基于候選框方法實(shí)現(xiàn)行人檢測。Faster?R-CNN算法模型是上述論文中提出的概念，業(yè)界沒有中文表述，均以Faster?R-CNN指代，具體可見引用論文出處。

行人識(shí)別是指將采集到的行人信息與模板或者數(shù)據(jù)庫相比對，獲取行人的屬性或者身份。

當(dāng)前的行人識(shí)別算法一般有三類：特征表示學(xué)習(xí)，距離度量學(xué)習(xí)以及深度學(xué)習(xí)算法。

行人跟蹤是指在一串圖像序列中通過某種方法將指定目標(biāo)的位置標(biāo)記出來。

傳統(tǒng)的跟蹤方法有基于特征的方法、基于濾波的方法和基于學(xué)習(xí)特征的方法。

基于特征的方法：通過逐幀提取出跟模板相匹配的特征確定目標(biāo)的位置，但是這種方法與傳統(tǒng)的檢測方法類似，對環(huán)境光度，圖片清晰度的變化較為敏感。

基于濾波的方法跟上述方法相比的優(yōu)勢在于不需要模型的制作，計(jì)算效率較高，跟蹤速度快，但是對于長時(shí)間遮擋的情況較難處理，例如核相關(guān)濾波(KCF)等。

基于學(xué)習(xí)特征的方法則能從圖像當(dāng)中提取出高級特征，其對環(huán)境的適應(yīng)性比較好，例如卷積特征等等。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于中心尺度預(yù)測與孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識(shí)別跟蹤方法，解決現(xiàn)有技術(shù)對目標(biāo)檢測識(shí)別跟蹤的精度低、成功率低、對檢測環(huán)境較為敏感的技術(shù)問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于中心尺度預(yù)測與孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識(shí)別跟蹤方法，包括：